刘二大人《Pytorch深度学习与实践》07.处理多维特征的输入

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()