使用PyTorch DataSet生成用于分类的仿真数据

以下代码展示了如何使用PyTorch中的DataSet和sklearn.datasets.make_classification()生成用于分类的仿真数据。

import torch
from torch.utils.data import Dataset
from sklearn.datasets import make_classification

class MyDataset(Dataset):
    def __init__(self, n_samples, n_features, n_classes):
        self.X, self.y = make_classification(n_samples=n_samples, n_features=n_features, n_classes=n_classes)
        self.X = torch.from_numpy(self.X).float()
        self.y = torch.from_numpy(self.y).long()

    def __getitem__(self, index):
        return self.X[index], self.y[index]

    def __len__(self):
        return len(self.X)

在上述代码中：

• n_samples：表示生成样本的数量。
• n_features：表示每个样本的特征数量。
• n_classes：表示分类的类别数量。

make_classification()函数生成数据，并将数据转换为PyTorch中的Tensor格式。__getitem__() 和 __len__() 方法让生成的数据可以被PyTorch的DataLoader使用。

通过上述代码，你可以轻松地生成用于分类任务的仿真数据，并使用PyTorch进行训练和验证。