标签:__ nn temp self paddle label data
import paddle
from paddle.io import Dataset
BATCH_SIZE = 64
BATCH_NUM = 20
IMAGE_SIZE = [17]
CLASS_NUM = 5
import numpy as np
class MyDataset(Dataset):
"""
步骤一:继承paddle.io.Dataset类
"""
def __init__(self, num_samples):
"""
步骤二:实现构造函数,定义数据集大小
"""
super(MyDataset, self).__init__()
self.num_samples = num_samples
self.data = np.random.randn(5,17)
def __getitem__(self, index):
"""
步骤三:实现__getitem__方法,定义指定index时如何获取数据,并返回单条数据(训练数据,对应的标签)
"""
# data = paddle.uniform(IMAGE_SIZE, dtype='float32')
# print(type(data))
data = self.data[index].reshape(17)
# data = np.dtype(np.float32)
data = data.astype(np.float32)
# label = paddle.randint(0, CLASS_NUM-1, dtype='int64')
label = np.array(np.random.randint(4)).reshape(1)
print(label)
return data, label
def __len__(self):
"""
步骤四:实现__len__方法,返回数据集总数目
"""
return self.num_samples
# 测试定义的数据集
custom_dataset = MyDataset(5)
print('=============custom dataset=============')
for data, label in custom_dataset:
print(data.shape, label.shape)
print(data, label)
break
mnist = paddle.nn.Sequential(
paddle.nn.Flatten(),
paddle.nn.Linear(17, 512),
paddle.nn.ReLU(),
paddle.nn.Dropout(0.2),
paddle.nn.Linear(512, 5)
)
# 预计模型结构生成模型对象,便于进行后续的配置、训练和验证
model = paddle.Model(mnist)
# 模型训练相关配置,准备损失计算方法,优化器和精度计算方法
model.prepare(paddle.optimizer.Adam(parameters=model.parameters()),
paddle.nn.CrossEntropyLoss(),
paddle.metric.Accuracy())
# 开始模型训练
model.fit(custom_dataset,
epochs=5,
batch_size=64,
verbose=1)
标签:__,nn,temp,self,paddle,label,data 来源: https://www.cnblogs.com/hiccuplh/p/16217501.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。