指路☞ 《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili
知识补充:
1、糖尿病分类:x1-x8是糖尿病人的指标,y表示一年后他的病情是否加重
2、可以降维或者增加维度;维度过多,会学习噪声的特征
3、读取数据,把这个.csv文件放到你编程的文件夹里面,就可以找到文件了。
4、第6节中的sigmoid 是调用torch.nn.Functional下面的sigmoid函数;这次的sigmoid是个模块,是作为一个运算模块,继承module,没有参数可调整,我们只拿它构造计算图
5、只需要改激活函数,最后的y_pre需要改成sigmoid
6、np.linspace用来创建等差数列,详细参考【Python】np.linspace用法介绍_Asher117的博客-CSDN博客_linspace
**************************************************************************************************************
import torch
import numpy as np
import matplotlib.pyplot as plt
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]])
class Model(torch.nn.Module):
def __init__(self):
super(Model, self).__init__()
self.linear1 = torch.nn.Linear(8, 6)
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))
return x
model = Model()
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
epoch_list = []
loss_list = []
for epoch in range(100):
#forward
y_p = model(x_data)
loss = criterion(y_p, y_data)
print(epoch, loss.item())
#backward5
optimizer.zero_grad()
loss.backward()
#update
optimizer.step()
epoch_list.append(epoch)
loss_list.append(loss)
#plt.plot(np.linspace(0, 100, 100), loss_list)(这条是注释,和下面那条代码,结果一样)
plt.plot(epoch_list, loss_list)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()
部分结果如下:
下面这个文章讲的很详细,更全面