创建感知器模型数据集

现在，我们将获得有关如何创建，学习和测试Perceptron模型的知识。在PyTorch中Perceptron模型的实现是通过几个步骤完成的，例如为模型创建数据集，设置模型，训练模型以及测试模型。

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学习导入数据集。 SDK学习功能使我们可以访问许多预先准备的数据集。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库进一步处理和分析此数据，最后使用最常用的库来绘制数据集，即，将导入matplotlib.pyplot。

在此，我们首先使用SDK学习创建线性可分离的数据集，然后使用火炬创建基于感知的神经网络。之后，神经网络将训练以学习如何拟合我们的数据集，以便能够将我们的数据分为两个离散的类。这将使用您可能熟悉的优化算法(梯度下降)来完成。

在此，我们将使用make_blobs()方法。此函数将创建一个数据点集群，这些数据点全部随机地以该集群的选定中心点为中心。

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。

import torch
import numpy as np
import matplotlib.pyplot as plt
fromsk learn import datasets

2.在第二步中，我们没有定义任何数据点，然后使用make_blobs()函数创建一个数据集。正如我告诉您的那样，此函数将创建一个数据点集群。

no_of_points=100
datasets.make_blobs()

3.在调用make_blobs()函数，我们需要创建一个嵌套列表，该列表指定集群中心的坐标。因此，我们必须调用列表中心，并通过以下方式为集群定义中心坐标。

centers=[[-0.5,0.5],[0.5,-0.5]]

4.现在，我们将创建数据集，并将数据点存储到变量x中，而将值存储到变量y中，我们将使用一下标签。

x,y=dataset.make_blobs()

5.由于尚未传递此函数的任何适当参数，因此尚未创建数据集。因此，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，第三个参数是中心和最后一个参数，这将使我们能够生成第一个线性可分离的数据集，即簇std。

x,y=datasets.make_blobs(n_samples=no_of_points,random_state=123,centers=centers,cluster_std=0.4)

6.在下一步中，我们通过printx和y坐标将数据可视化，如下所示：

print(x)
print(y)

7.现在，根据需要自定义我们的数据集之后，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。它绘制了数据的顶部区域。 0个标记数据集的散布函数定义为

plt.scatter(x[y==0,0],x[y==0,1])

8.现在，我们在数据的下部区域中绘制点。一个标记数据集的散点函数()定义为

plt.scatter(x[y==1,0],x[y==1,1])

9.记住要训练模型x，并且y坐标都应为numpy数组。所以我们要做的是将x和y值更改为张量，如下所示

xdata=torch.Tensor(x)
ydata=torch.Tensor(y)