我有一个如下所示的数据集：

标签基本上是一系列项目（假设是停车场中的汽车）的列表，总共有10个项目，标签从0到9。我有14个类别（假设是14个不同的汽车品牌）。每个浮点值只是该项目属于哪个类别的百分比。例如，项目2很可能是类别2，概率为0.995275：

print(set(list(df['label'])))> {0, 1, 2, 3, 4, 5, 6, 7, 9}

我的目标是训练一个分类器，输出一个从0到14的整数，以预测x属于哪个类别标签。

我正在尝试构建一个具有3个隐藏层（加上输入和输出层）的前馈神经网络，接受15个输入，并输出从0到14的预测。这是迄今为止我的设计：

class NNO(nn.Module):  def __init__(self):    super(NNO, self).__init__()    h= [2,1]    self.hidden = nn.Linear(h[0], h[1])    self.hidden = nn.Linear(2,20)    self.hidden = nn.Linear(20,20)    self.output = nn.Linear(20,15)    self.sigmoid = nn.Sigmoid()    self.softmax = nn.Softmax(dim = 1)    def forward(self, y):    x = self.hidden(x)    x = self.sigmoid(x)    x = self.output(x)    x = self.softmax(x)

我的问题是：如何将数据集输入到我的神经网络中以开始训练轮次？我找不到任何与这种数据集相关的资源。

回答：

以下是答案：

# 首先我创建一些虚拟数据label = np.random.randint(0, 14, 1000)random = np.random.random((1000, 14))total = pd.DataFrame(data=random, columns=[f'{i}_col' for i in range(14)])total['label'] = label'''根据我的理解，你需要在输出中选择概率最高的一个类，因此这是一个多类分类问题。在我的案例中，我将使用`random`中的最高值作为目标类。'''class TDataset(torch.utils.data.Dataset):    def __init__(self, df):        self.inputs = df[[f'{i}_col' for i in range(14)] + ['label']].values        self.outputs = df[[f'{i}_col' for i in range(14)]].values        def __len__(self):        return len(self.inputs)        def __getitem__(self, idx):        x = torch.tensor(self.inputs[idx], dtype=torch.float)        y = torch.tensor(np.argmax(self.outputs[idx]))        return x, yds = TDataset(total)dl = torch.utils.data.DataLoader(ds, batch_size=64)# 接下来我将创建一个模型，它接受15个输入，# 在我的案例中输出14个代表logits的输出class NNO(nn.Module):    def __init__(self):        super(NNO, self).__init__()        self.hidden = nn.Linear(15, 20)        self.relu = nn.ReLU()        self.output = nn.Linear(20, 14)      def forward(self, x):        x = self.hidden(x)        x = self.relu(x)        x = self.output(x)        return x# 现在我们创建模型对象m = NNO()sample = Nonefor i in dl:    sample = i    breakprint(m(sample[0]).shape) # shape = [64, 14] 如所期望。# 现在我们定义损失函数和优化器loss_fn = torch.nn.CrossEntropyLoss()optimizer = torch.optim.Adam(m.parameters())# 现在我们定义训练循环for i in range(500): # 训练500个轮次    epoch_loss = 0    for idx, data in enumerate(dl):        inputs = data[0]        targets = data[1] # 根据你的数据进行相应的修改        preds = m(inputs)        optimizer.zero_grad()        loss = loss_fn(preds, targets)        epoch_loss += loss        loss.backward()        optimizer.step()        if (i%50 == 0):        print('loss: ', epoch_loss.item() / len(dl))'''在推理时，你只需对模型的结果应用softmax并选择最可能的输出。'''preds = m(sample[0])predicted_classes = torch.argmax(torch.nn.functional.softmax(preds), axis=1)# 这里的预测类别就是你所需的最终输出。