PyTorch深度学习实践——7 处理多维特征的输入（课堂记录）

UP：B站-刘二大人

原视频链接：07.处理多维特征的输入_哔哩哔哩_bilibili

提示：数据集在视频开头即给出下载方式。

import torch
import matplotlib.pyplot as plt
import numpy as np

# 准备数据
# diabetes数据集的输入是8列输出1列，即可以理解成输入8维，输出1维
# 数据集的意思是：X1~X8是糖尿病病人的八项指标，输出y的0,1代表一年后糖尿病患者的病情是否加重
# 指定数据类型为float32而不用double的原因是：在神经网络中的计算我们都习惯用32位的浮点数，因为GPU环境很多显卡比如1080都不支持double类型，只支持32位浮点数

xy = np.loadtxt("diabetes.csv", delimiter = ",", dtype = np.float32)

# 将数组转换成张量，所有行，列数是到最后一列为止（不包括最后一列）
# 划分出训练集和测试集
x_data = torch.from_numpy(xy[:-6, :-1])

# 将数组转换成张量，所有行，列数是最后一列
y_data = torch.from_numpy(xy[:-6, [-1]]) # 注意：这个-1外面需要加[]，如果不加得到的是一个向量，加了得到的是矩阵


# 设计模型
class Model(torch.nn.Module):
    # 构造函数
    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)
        self.active = torch.nn.ReLU()
        self.sigmoid = torch.nn.Sigmoid()

    # 前馈计算函数
    def forward(self, x):
        x = self.active(self.linear1(x))
        x = self.active(self.linear2(x))
        # 最后这个激活函数这里不能是relu，因为relu会把小于0的变成0，但是损失函数涉及到一个取log的过程，所以不能是0
        x = self.sigmoid(self.linear3(x)) # 最后一步激活函数把输出转换到（0, 1）之间
        return x

# 实例化模型
model = Model()

# 损失函数
criterion = torch.nn.BCELoss(reduction='mean')

# 优化器
optimizer = torch.optim.SGD(model.parameters(), lr = 0.1)

# 为画图做准备
loss_list = []
epoch_list = []

# 训练过程
for epoch in range(10000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print("epoch:", epoch, "loss:", loss.data.item())

    # 为画图做准备
    epoch_list.append(epoch)
    loss_list.append(loss.data.item())

    # 梯度清零
    optimizer.zero_grad()
    # 反向传播
    loss.backward()
    # 权重更新
    optimizer.step()

# 测试过程
# 划分测试集
x_test = torch.from_numpy(xy[-6:, :-1])
y_val = torch.from_numpy(xy[-6:, -1])
y_pred = model(x_test)
print("y_val:", y_val.data.tolist())
print("y_pred:", y_pred.data.tolist())

# 二维曲线图
plt.plot(epoch_list, loss_list)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()