pytorch--多维特征的输入

 针对多维向量的处理，本身在sigmoid函数中，数据以向量的方式进行运算--可以看出是1*n的矩阵，在多维向量多个样本的情况下，可以直接理解成矩阵相乘。

通过Linear函数完成矩阵的维度变化。

from ast import Return
from operator import itemgetter
from pickletools import optimize
import numpy.matlib
import torch

import numpy as np
import matplotlib.pyplot as plt

#这一步跟老师写的完全不一样，不明白老师是如何同时读取两个数据的，另外相对路径找不到只能写绝对路径而且要换成双斜杠
x_yuan=np.loadtxt("C:\\anaconda_3\\Lib\\site-packages\\sklearn\\datasets\\data\\diabetes_data.csv.gz",delimiter=' ',dtype=np.float32)
y_yuan=np.loadtxt("C:\\anaconda_3\\Lib\\site-packages\sklearn\\datasets\\data\\diabetes_target.csv.gz",delimiter=' ',dtype=np.float32)
x_data=torch.from_numpy(x_yuan)
y_data=torch.from_numpy(y_yuan)
#y_data=y_data.view(422,1)

class Model(torch.nn.Module):
    def __init__(self) :
        super(Model,self).__init__()
        self.linear1=torch.nn.Linear(10,6)#维度报错，这里老师给的和数据不一致修改一下
        self.linear2=torch.nn.Linear(6,4)
        self.linear3=torch.nn.Linear(4,1)
        self.sigmoid=torch.nn.Sigmoid()

    def forward(self,x):
        x=self.sigmoid(self.linear1(x)) 
        x=self.sigmoid(self.linear2(x)) 
        x=self.sigmoid(self.linear3(x)) 
        x = x.squeeze(-1) #计算出来的数据是422*1的矩阵，与输入为一维张量不符，需要降维
        return x #避免出现参数传递错误，就不设置新参数而是选择x自动代换

model=Model()

sunshi=torch.nn.BCELoss(size_average=True)
youhua=torch.optim.SGD(model.parameters(),lr=0.1)

e_ch=[]
loss_l=[]
for epoch in range(50):
    y_pred=model(x_data)
    loss = sunshi(y_pred,y_data)
    print(epoch,loss.item())
    e_ch.append(epoch)
    loss_l.append(loss.item())

    youhua.zero_grad()
    loss.backward()

    youhua.step()

plt.plot(e_ch,loss_l)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

 不太理解为啥要经过这么多次线性变换，另外模拟出来的结果好像，越变越差了？

 这是只有一次线性变换的结果

数据集应该没搞错了，是看着老师视频弄得。

所以是饱和函数选取不对？

换了老师说的ReLU激活函数，全是错。重试了一遍，又不报了。

今天我灵感大发，重写：

from ast import Return
from operator import itemgetter
from pickletools import optimize
import numpy.matlib
import torch
import numpy as np
import matplotlib.pyplot as plt

#这一步跟老师写的完全不一样，不明白老师是如何同时读取两个数据的，另外相对路径找不到只能写绝对路径而且要换成双斜杠
x_yuan=np.loadtxt("C:\\anaconda_3\\Lib\\site-packages\\sklearn\\datasets\\data\\diabetes_data.csv.gz",delimiter=' ',dtype=np.float32)
y_yuan=np.loadtxt("C:\\anaconda_3\\Lib\\site-packages\sklearn\\datasets\\data\\diabetes_target.csv.gz",delimiter=' ',dtype=np.float32)
x_data=torch.from_numpy(x_yuan)
y_data=torch.from_numpy(y_yuan)
#y_data=y_data.view(422,1)
print(x_yuan.shape)
class Model(torch.nn.Module):
    def __init__(self) :
        super(Model,self).__init__()
        self.linear1=torch.nn.Linear(10,6)#维度报错，这里老师给的和数据不一致修改一下
        self.linear2=torch.nn.Linear(6,4)
        self.linear3=torch.nn.Linear(4,1)
        self.sigmoid=torch.nn.Sigmoid()
        '''self.activate=torch.nn.Sigmoid'''

    def forward(self,x):
        x=self.sigmoid(self.linear1(x))
        x=self.sigmoid(self.linear2(x)) 
        '''x= torch.tensor(x)'''
        x=self.sigmoid(self.linear3(x))
        x= x.squeeze(-1) #计算出来的数据是422*1的矩阵，与输入为一维张量不符，需要降维
        return x #避免出现参数传递错误，就不设置新参数而是选择x自动代换

model=Model()

sunshi=torch.nn.BCELoss(size_average=True)
youhua=torch.optim.SGD(model.parameters(),lr=0.1)

y_new=torch.sigmoid(y_data)
e_ch=[]
loss_l=[]
for epoch in range(100):
    y_pred=model(x_data)
    loss = sunshi(y_pred,y_new)
    print(epoch,loss.item())
    e_ch.append(epoch)
    loss_l.append(loss.item())

    youhua.zero_grad()
    loss.backward()

    youhua.step()

plt.plot(e_ch,loss_l)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

其实就多了一行，但是图像

ok，任务结束。