刘二大人 Multiple Dimension with Pytorch代码实现

Multiple Dimension代码实现

---

步骤

引入库

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

Prepare dataset

#引入数据集,用np中的加载文本功能，加载文本。分割符为逗号。数据类型为32位浮点型
xy = np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)
#x的数据是用torch中的来自numpy提取数据，：代表所有行，：-1代表除了最后一列的所有列。
x_data = torch.from_numpy(xy[:,:-1])
#y的数据是torch中的来自numpy提取数据，：代表所有行，【-1】代表最后一列
y_data = torch.from_numpy(xy[:,[-1]])

Design model using Class

#构造模型
class Model(torch.nn.Module):
    #初始化自身对象
    def __init__(self):
        #super调用父类初始化器
        super(Model,self).__init__()
        #构造一个输入是8维，输出是6维的线性模型
        self.linear1 = torch.nn.Linear(8,6)
        #构造一个输入是6维，输出是4维的线性模型
        self.linear2 = torch.nn.Linear(6,4)
        #构造一个输入是4维，输出是1维的线性模型
        self.linear3 = torch.nn.Linear(4,1)
        #构造一个逻辑回归模型
        self.sigmoid = torch.nn.Sigmoid()
        self.activate = torch.nn.ReLU()
        
    #前向传播
    def forward(self,x):
        #用relu激活线性模型1，也就是将线性模型1代入到relu里面
        x = self.sigmoid(self.linear1(x))
        #用relu激活线性模型2
        x = self.sigmoid(self.linear2(x))
        #用sigmoid激活线性模型3
        x = self.sigmoid(self.linear3(x))
        #返回x
        return x
    
#实例化模型
model = Model()

Construct loss and optimizer

#构造二分类交叉熵求损失降维求平均
criterion = torch.nn.BCELoss(reduction='mean')
#优化模块中的SGD模型中的所有参数，学习率为0.05
optimizer = torch.optim.SGD(model.parameters(),lr=0.05)
epoch_list = []
loss_list = []

Training cycle

#循环1000次 
for epoch in range(1000):
    #将x代入模型求y的预测值
    y_pred = model(x_data)
    #将y的预测值和真实值代入损失函数中求损失值
    loss = criterion(y_pred,y_data)
    #输出循环次数，损失值，用item设置损失值为标量
    print(epoch,loss.item())
    
    #梯度归零
    optimizer.zero_grad()
    #损失反向传播
    loss.backward()
    #更新权重
    optimizer.step()
    
    epoch_list.append(epoch)
    loss_list.append(loss.item())

x_test = torch.tensor([[-0.294118,0.487437,0.180328,-0.292929,0,0.00149028,-0.53117,-0.0333333]])
print(x_test)
y_test =model(x_test)
print(y_test.item())
x_test2 =torch.tensor([[-0.176471,0.959799,0.147541,-0.333333,-0.65721,-0.251863,-0.927412,0.133333]])
print(model(x_test2).item())
plt.plot(epoch_list,loss_list)
plt.xlabel('Epoch')
plt.ylabel('loss')
plt.show()