处理多维特征的输入

sigmoid函数是按照向量计算的一种函数
8维–>1维一定是非线性的，则加一个激活函数来实现非线性变换。

import  torchvision
import torch
import torch.nn.functional as F  #sigmoid函数定义在此模块下
import numpy as np
#import  matplotlib.pyplot as plt

#准备数据集
xy=np.loadtxt('diabetes.csv.gz',delimiter=',',dtype=np.float32)#delimiter指的是分隔符，dtype是数据类型。
x_data =torch.from_numpy(xy[:,:-1])#从所有行，从第一列开始，最后一列不要。
y_data =torch.from_numpy(xy[:,:[-1]])#加[]保证取出的是数据，不是向量。

#定义模型
class Model(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel,self).__init__()
        self.linear1 = torch.nn.Linear(8,6) #指的是输入维度为8，输出维度为6
        self.linear2 = torch.nn.Linear(6,4)
        self.linear3 = torch.nn.Linear(4,1)
        self.sigmoid=torch.nn.Sigmoid()
        #self.activate=torch.nn.ReLU()  改变激活函数

    def forward(self, x):
        x = self.sigmoid(self.linear1(x))#先计算里面的线性变换linear,再调用sigmoid函数
        x = self.sigmoid(self.linear2(x))#注意虽然每次实际输出的是o1、o2、o3，但是仍然要按照统一x来写。
        x = self.sigmoid(self.linear3(x))
        return  x
model = Model()#交叉熵和优化器
criterion =torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(),lr=0.1)


#训练循环
for epoch in range(100):
    y_pred=model(x_data)#计算前馈值
    loss = criterion(y_pred,y_data)#计算损失
    print(epoch,loss.item())

    optimizer.zero_grad()#梯度归零
    loss.backward()#反向传播

    optimizer.step()#更新

注意：当用激活函数ReLU容易使得输出结果小于0，最后一次应结合Sigmoid激活函数，使其输出值在[0,1]之间。

#定义模型
class Model(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel,self).__init__()
        self.linear1 = torch.nn.Linear(8,6) #指的是输入维度为8，输出维度为6
        self.linear2 = torch.nn.Linear(6,4)
        self.linear3 = torch.nn.Linear(4,1)
        self.sigmoid=torch.nn.Sigmoid()
 		self.activate=torch.nn.ReLU()  #改变激活函数

    def forward(self, x):
        x = self.activate(self.linear1(x))#先计算里面的线性变换linear,再调用sigmoid函数
        x = self.activate(self.linear2(x))#注意虽然每次实际输出的是o1、o2、o3，但是仍然要按照统一x来写。
        x = self.sigmoid(self.linear3(x))#使其最后输出结果保持光滑
        return  x