男女的身高和体重有着显著的差别，此次Python程序的任务是根据一个人的身高和体重，简单判断他（她）的性别。

采用最简单的单层神经网络，logistic regression模型，模型输入一个人身高和体重，判断性别男女。

训练样本是sex_train.txt的文本，部分训练样本数据如下，第一列数字为身高（m）；第二列数字为体重（kg）；第三列数字指的是性别，其中1指代男性，2指代女性。

代码需要自定义Dataset类和getitem读取数据​​​​​​​

Dataset中读取数据并放入变量Data中，通过strip去掉空格和换行符，里面的words【0】，words【1】，words【2】分别代表读取身高，体重和性别。getitem根据索引取出数据。

len函数获取样本个数

 网络模型的输入输出

训练的函数

 

实际训练是以Dataloader加载训练样本，并以批次进行训练，batchsize表示训练单元。

正式训练设置epochs表示学习的轮数，epochs=100，进行100轮的训练。

model.train()进入训练模式，model.eval进入检测模式。

第二次for循环是取一个批次的样本进行输出。

epochs = 100
    for epoch in range(epochs):
        # training-----------------------------------
        model.train()
        train_loss = 0
        train_acc = 0
        for batch, (batch_x, batch_y) in enumerate(train_loader):
            batch_x, batch_y = Variable(batch_x), Variable(batch_y)
            out = model(batch_x)
            loss = loss_func(out, batch_y)
            train_loss += loss.item()
            pred = torch.max(out, 1)[1]
            train_correct = (pred == batch_y).sum()
            train_acc += train_correct.item()
            print('epoch: %2d/%d batch %3d/%d  Train Loss: %.3f, Acc: %.3f'
                  % (epoch + 1, epochs, batch, math.ceil(len(train_data) / batchsize),
                     loss.item(), train_correct.item() / len(batch_x)))

            optimizer.zero_grad()
            loss.backward()
            optimizer.step()
        scheduler.step()  # 更新learning rate
        print('Train Loss: %.6f, Acc: %.3f' % (train_loss / (math.ceil(len(train_data)/batchsize)),
                                               train_acc / (len(train_data))))
        # evaluation--------------------------------
        model.eval()
        eval_loss = 0
        eval_acc = 0
        for batch_x, batch_y in val_loader:
            batch_x, batch_y = Variable(batch_x), Variable(batch_y)
            out = model(batch_x)
            loss = loss_func(out, batch_y)
            eval_loss += loss.item()
            pred = torch.max(out, 1)[1]
            num_correct = (pred == batch_y).sum()
            eval_acc += num_correct.item()
        print('Val Loss: %.6f, Acc: %.3f' % (eval_loss / (math.ceil(len(val_data)/batchsize)),
                                             eval_acc / (len(val_data))))
        # save model --------------------------------
        if (epoch + 1) % 1 == 0:
           torch.save(model.state_dict(), 'output/params_' + str(epoch + 1) + '.pth')

 最后训练样本的效果

<iframe allowfullscreen="true" data-mediaembed="bilibili" id="MdllqxtL-1641700155130" src="https://player.bilibili.com/player.html?aid=850510347"></iframe>

20220109