深度学习-处理多维度特征的输入 -Multiple Dimension Input-自用笔记6
多维度特征的数据集
每一行代表一个样本,每一列代表一重要特征Feature
一个样本特征多个的计算图如图所示
多个样本多个特征的计算图如图所示
模型采用一层线性函数self.linear = torch.nn.Linear(8, 1),函数的输入的特征维度为8,输出的维度为1,如下图
若线性层函数采用输入的特征维度为8,输出的维度为2,如下图:
若线性层函数采用输入的特征维度为8,输出的维度为6,如下图:
多层神经网络的计算图
将三个一层的神经网络叠加在一起变成三层的神经网络
例如:
举例子+程序代码
- Prepare Dataset
import numpy as np
xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:,:-1])
y_data = torch.from_numpy(xy[:, [-1]])
- Define Model
代码
import torch
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()
- Construct Loss and Optimizer
代码
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
- Training Cycle
代码
for epoch in range(100):
# Forward
y_pred = model(x_data) l
oss = criterion(y_pred, y_data)
print(epoch, loss.item())
# Backward
optimizer.zero_grad()
loss.backward()
# Update
optimizer.step()
注意:(激活函数种类很多,采用RuLU激活函数时需要注意)
现在非常流行使用RuLU激活函数,但是RuLU存在的问题是当激活函数的输入为小于0时,激活函数的梯度就变为0,不会继续更新维度,所以采用RuLU需要注意。
一般如果做分类,采用RuLU激活函数都是在前面的层数,最后一层激活函数不要使用RuLU,一般会采用sigmoid的。
import torch
import numpy as np
import torch.nn.functional as F
xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32) #np.loadtxt该语句可以从csv文件中读取数据,也可从csv文件的gz压缩文件中读取
x_data = torch.from_numpy(xy[:,:-1]) #取全部行和除了最后一列的全部列的数据
y_data = torch.from_numpy(xy[:, [-1]])#只取最后一列的数据,并列为一列矩阵,torch.from_numpy该语句的意思是将数组转换成tensor类型。
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.activate = torch.nn.ReLU()
def forward(self, x):
x = self.activate(self.linear1(x))
x = self.activate(self.linear2(x))
x = F.sigmoid(self.linear3(x))
return x
model = Model()
# ------------------------------------------------------- #
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
# ------------------------------------------------------- #
for epoch in range(10000):
# Forward
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
# Backward
optimizer.zero_grad()
loss.backward()
# Update
optimizer.step()