这里的糖尿病数据需要单独下载,然后保存到电脑,复制其保存路径后再打开,好像在打开时都需要在文件路径前加上一个‘r’,我也是在csdn上查的,也不太明白,望懂得大佬解释一下
具体的代码如下
import torch
import numpy as np
import matplotlib.pyplot as plt
import torch.nn.functional as F
# 准备数据集
x_y = np.loadtxt(r"C:\Users\28493\OneDrive\桌面\测试集\diabetes.csv.gz", delimiter=',', dtype=np.float32) # 这时候的x和y是在一起的
# print(type(x_y)) # <class 'numpy.ndarray'>
# 将numpy数据类型转换为Tensor,并获取x,y
x_data = torch.from_numpy(x_y[:, :-1]) # 里面的操作是切片,取所有行的从第一列到倒数第二列的数据
y_data = torch.from_numpy(x_y[:, -1]) # 取所有行的最后一列的数据
# y_data = torch.from_numpy(x_y[:, [-1]]) 写成这样那就是二维的了,后面的预测结果就不用更改,两种方法都可
print(y_data.shape[0]) # torch.Size([759]) 注意后面预测的结果y_pred的维数应与它一样
# print(type(x_data)) # <class 'torch.Tensor'>
# 实现模型类
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
# 这里看我画的神经网络图
self.linear1 = torch.nn.Linear(8, 6)
self.linear2 = torch.nn.Linear(6, 4)
self.linear3 = torch.nn.Linear(4, 1)
self.activate = torch.nn.ReLU() # 和之前的torch.nn.functional没啥差别
def forward(self, x):
# 看我画的图
x = self.activate(self.linear1(x))
x = self.activate(self.linear2(x))
x = F.sigmoid(self.linear3(x))
return x
model = Model()
# 损失函数和优化器
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.ASGD(model.parameters(), lr=0.01)
# 训练周期
loss_list = []
iters = 1000
for epoch in range(iters):
# 正向
y_pred = model(x_data)
# print(y_pred.shape) # torch.Size([759, 1])
# 修改y_pred的维数
y_pred = y_pred.view(y_pred.shape[0])
# print(y_pred.shape)
loss = criterion(y_pred, y_data)
loss_list.append(loss.item())
# 反向
optimizer.zero_grad()
loss.backward()
# 更新
optimizer.step()
print(f'epoch={epoch},loss={loss.item()}') # 取loss里面的值,因为loss是一个张量
# 画图
plt.plot(np.arange(iters), loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()