创建感知器模型的数据集

现在，我们将了解如何创建、学习和测试感知器模型。 在 PyTorch 中实现感知器模型需要几个步骤，例如创建模型的数据集、设置模型、训练模型和测试模型。

让我们从第一步开始，即创建数据集。

为了创建数据集，我们将直接从 SDK learn 导入一个数据集。 SDK-learn 为我们提供了访问许多预先准备好的数据集的权限。 我们只需导入数据集即可访问所有这些数据集。 在此，我们还使用 numpy 库来进一步操作和分析此数据，最后导入用于绘制数据集的最常用库，即 matplotlib.pyplot。

在这里，我们首先使用 SDK learn 创建一个线性可分的数据集，然后使用 torch 创建一个基于感知的神经网络。 之后，神经网络将训练学习如何拟合我们的数据集，以便它能够将我们的数据分成两个离散的类别。 这将使用优化算法（梯度下降），您可能已经熟悉了该算法。

在这里，我们将使用 make_blobs() 方法。 此函数将创建数据点的集群，这些数据点都随机地集中在集群的选定中心点上。

让我们看看创建数据集的步骤

1. 第一步是导入所有必需的库，例如 torch、sklearn、numpy 和 matplotlib.pyplot。

2. 在第二步中，我们定义数据点的数量，然后使用 make_blobs() 函数创建一个数据集。 我告诉过你，此函数将创建数据点的集群。

3. 在调用 make_blobs() 函数之前，我们需要创建一个嵌套列表，该列表指定了集群中心的坐标。 因此，我们必须调用列表中心，并按以下方式定义集群的中心坐标。

4. 现在，我们将创建我们的数据集，并将我们的数据点存储到变量 x 中，同时将值存储到变量 y 中，并且我们将只使用我们的标签一小会儿。

5. 我们的数据集尚未创建，因为我们没有传递此函数的任何适当参数。 所以我们在这里传递所有参数。 第一个参数表示样本点的数量； 第二个参数是随机状态，第三个参数是中心，最后一个参数将允许我们生成我们的第一个线性可分数据集，即集群标准差。

6. 在下一步中，我们通过打印 x 和 y 坐标来可视化我们的数据，如下所示

7. 现在，在按需要自定义我们的数据集后，我们可以使用 plt.scatter() 函数对其进行绘制和可视化。 我们定义每个标签数据集的 x 和 y 坐标。 让我们从标签为 0 的数据集开始。 它绘制了我们数据的顶部区域。 0 标记数据集的散点函数定义为

8. 现在，我们绘制数据较低区域的点。 标签为 1 的数据集的散点函数() 定义为

9. 请记住，要训练模型 x，y 坐标都应该是 numpy 数组。 所以我们所做的是，我们将 x 和 y 值更改为张量，如下所示