[Pytorch] 学习记录（六）处理多维特征输入

在之前的章节中一直在进行单维的特征输入 ，本节将进行多维特征输入的学习。图1为数据集样例，该数据集是关于糖尿病的数据集。

 

图1 数据集样例

我们将进行糖尿病的分类任务，每一行为一个样本Sample，每一列称为一个特征Feature。显然，每个样本拥有8个特征。由于特征的增加，在计算logistic模型的时候就不能再按照先前的一维计算，公式如下所示：

公式中，需要将每个x的特征值取出，与ω相乘。在这里我们将xn看作一个向量，就相当于做如下的运算：

其与单维的区别在于ω不再只是一个数字，而是变成了有多个特征的向量，换言之就是ω不再唯一。而在代码上，我们只需要做一处修改：将原先的linear(1, 1)改为8, 1即可。前一个数字是输入的维度，后一个是输出的维度。

图2 代码修改处

本次预测的为糖尿病模型，根据8个数据特征来判断未来的病情是否会恶化。在__init__中建立模型的时候，需要建立三个模型，目的是将8维数据降维，每次降两维（8→6，6→4，4→1）。建完之后调用self.sigmoid = torch.nn.Sigmoid()，然后是计算的过程。这里为了防止出错，只采用了一个x变量。

 完整代码如下：

import numpy as np
import torch
import matplotlib.pyplot as plt
 
# prepare dataset
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1]) # 第一个‘：’是指读取所有行，第二个‘：’是指从第一列开始，最后一列不要
y_data = torch.from_numpy(xy[:, [-1]]) # [-1] 最后得到的是个矩阵
 
# design model using class
 
 
class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8, 6) # 输入数据x的特征是8维，x有8个特征
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        self.sigmoid = torch.nn.Sigmoid() # 将其看作是网络的一层，而不是简单的函数使用
 
    def forward(self, x):
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x)) # y hat
        return x
 
 
model = Model()
 
# construct loss and optimizer
# criterion = torch.nn.BCELoss(size_average = True)
criterion = torch.nn.BCELoss(reduction='mean')  
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
 
epoch_list = []
loss_list = []
# training cycle forward, backward, update
for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    epoch_list.append(epoch)
    loss_list.append(loss.item())
 
    optimizer.zero_grad()
    loss.backward()
 
    optimizer.step()
 
 
plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()