6、处理多维特征的输入

（1）在实际应用中，我们会遇到多个输入、一个输出的分类问题，如下图所示糖尿病数据集，x1~x8表示糖尿病的相关指标，Y表示第二年患糖尿病的概率。

 （2）为了处理多维特征的输入，我们需要用多维度的Logistic回归模型，解决的也是二分类问题

(3)mini-batch：一次运行一个mini-batch，更新一次梯度

 （4）数据集为上述糖尿病数据集。按照神经网络的思想，可以将8维的输入变为6维的输出，6维的输入变为4维的输出，4维的输入变为1维的输出，模型定义如下：

 （5）损失函数使用解决二分类问题的交叉熵损失函数，优化器使用SGD随机梯度下降更新权重

（6）代码实现：

import torch
import  numpy as np
#delimiter分隔符
xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)
#最后一列不要
x_data = torch.from_numpy(xy[:,:-1])
#只要最后一列，加[]保证是矩阵，不是向量
y_data = torch.from_numpy(xy[:, [-1]])

class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8, 6)
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        # 这个模块中没有参数，不需要训练
        self.sigmoid = torch.nn.Sigmoid()
        #self.activate = torch.nn.RuLU()

    def forward(self, x):
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        # x = self.activate(self.linear1(x))
        # x = self.activate(self.linear2(x))
        # x = self.activate(self.linear3(x))
        return x

model = Model()
#二分类损失函数
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    #Forward
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    #Backward
    optimizer.zero_grad()
    loss.backward()
    #Update
    optimizer.step()

结果输出：

 

（7）可选用其他激活函数测试