import?torch
import?torch.nn?as?nn
import?torch.nn.functional?as?F
from?torch.utils.data?import?Dataset
from?torch.utils.data?import?DataLoader


import?numpy?as?np
import?random
import?pandas?as?pd
from?sklearn.model_selection?import?train_test_split

import?matplotlib.pyplot?as?plt



print（‘=======?Data?load?&?Data?process?=======‘）
#?def?load_data（）:
‘‘‘
???Data?Information:
????1.?sepal?length?in?cm
????2.?sepal?width?in?cm
????3.?petal?length?in?cm
????4.?petal?width?in?cm
????5.?Label:
????--?Iris?Setosa
????--?Iris?Versicolour
????--?Iris?Virginica
‘‘‘


raw_data?=?pd.read_csv（‘iris.data‘?header=None
???????????????????????names=[‘sepal_length‘?‘sepal_width‘?‘petal_length‘?‘petal_width‘?‘label‘]）
data?=?raw_data[[‘sepal_length‘?‘sepal_width‘?‘petal_length‘?‘petal_width‘]].values

class_mapping?=?{label:?idx?for?idx?label?in?enumerate（set（raw_data[‘label‘]））}
label?=?raw_data[‘label‘].map（class_mapping）.values.reshape（-1?1）

print（“data?num?is:?{}?labels?num?is:?{}“.format（len（data）?len（label）））

X_train?X_test?Y_train?Y_test?=?train_test_split（data?label?test_size=0.2?shuffle=True）
X_valid?X_test?Y_valid?Y_test?=?train_test_split（X_test?Y_test?test_size=0.5?shuffle=True）

print（‘train?data_num:{}\nvalid?data_num:{}\ntest?data_num:{}‘.format（len（X_train）?len（X_valid）?len（X_test）））

def?set_random_seed（seed）:
????random.seed（seed）
????np.random.seed（seed）
????torch.manual_seed（seed）
????if?torch.cuda.is_available（）:
????????torch.cuda.manual_seed（seed）

class?IrisDataset（Dataset）:
????def?__init__（self?x_data?y_data）:
????????super（IrisDataset?self）.__init__（）
????????self.x_data?=?torch.Tensor（x_data）
????????self.y_data?=?torch.Tensor（y_data）

????def?__getitem__（self?index）:
????????return?self.x_data[index]?self.y_data[index]
????def?__len__（self）:
????????return?len（self.x_data）


def?evaluate（XYw1w2w3）:
????out?=?F.softmax（F.sigmoid（F.sigmoid（torch.Tensor（X）.to（device）.mm（w1））.mm（w2））.mm（w3）?dim=1）
????pred_y?=?torch.max（out?1）[1].cpu（）.data.numpy（）
????target_y=Y.reshape（1-1）
????accuracy?=?float（（pred_y==target_y）.astype（int）.sum（））/?float（target_y.size）
????return?accuracy


#?init?parameters
set_random_seed（1）
device?=?torch.device（“cuda“?if?torch.cuda.is_available（）?else?“cpu“）
D_in?H_1?H_2?D_out?=?4?20?20?3
LEARNING_RATE?=?0.1
MAX_EPOCH?=?100
BATCH_SIZE?=?40
w1?=?torch.randn（D_in?H_1?requires_grad=True?device=device）
w2?=?torch.randn（H_1?H_2?requires_grad=True?device=device）
w3?=?torch.randn（H_2?D_out?requires_grad=True?device=device）

#?data_loader
train_dataset?=?IrisDataset（X_train?Y_train）
train_loader?=?DataLoader（train_dataset?batch_size=BATCH_SIZE?shuffle=True）

train_losses?val_losses?=?[]?[]

for?epoch?in?range（MAX_EPOCH?+?1）:
????batch_losses?=?[]
????for?step?（x?y）?in?enumerate（train_loader）:
????????x?y?=?x.to（device）?y.to（device）

????????#?x:?batch_size*4??y:?b

?屬性????????????大小?????日期????時間???名稱
-----------?---------??----------?-----??----
?????文件????????5822??2021-01-04?07:20??main.py
?????文件?????????670??2021-01-04?07:20??__MACOSX\._main.py
?????文件????????4551??2021-01-04?07:23??iris.data
?????文件?????????654??2021-01-04?07:23??__MACOSX\._iris.data