刘二大人 《PyTorch深度学习实践》P7 处理多维特征的输入

处理多维特征的输入

二维记录在pytorch中，行为样本（sample）列为特征（feature）

Anaconda3 数据存储路径数据存储路径：

矩阵向量化

转换成矩阵向量化的计算，可以提高并行运算的能力从而提高整体运算速度。

一般来说，中间层数越多，网络对非线性映射的拟合程度越好，学习能力越强，但是学习能力太强可能会将输入的噪声也学习进去，所以网络学习能力太强也不好，学习应该具有泛化能力。

代码实现

import torch
import numpy as np
import matplotlib.pyplot as plt
from pylab import mpl

# 设置显示中文字体
mpl.rcParams["font.sans-serif"] = ["SimHei"]

# gz压缩包里的文件名一样，就可以用loadtxt把数据读出来
# delimiter=',' , 以逗号作为分隔符
# dtype=np.float32 , 数据类型为32位的浮点数
xy = np.loadtxt('F:\project\python-learn\diabetes.csv.gz', delimiter=',',
                dtype=np.float32)

x_data = torch.from_numpy(xy[:, :-1])  # 所有行，除了最后一列
y_data = torch.from_numpy(xy[:, [-1]])  # 所有行，最后一列  torch.from_numpy把数组转换成张量


class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8, 6)  # 第一层是8维到6维的空间变换
        self.linear2 = torch.nn.Linear(6, 4)  # 第二层是6维到4维的空间变换
        self.linear3 = torch.nn.Linear(4, 1)  # 第三层是4维到1维的![请添加图片描述](https://img-blog.csdnimg.cn/11d8d8eb0c77468480c280e7baff7049.png)
空间变换
        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(reduction='mean')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

epoch_list = []
loss_list = []

# 训练
for epoch in range(100):
    y_pred = model(x_data)  # 并没有做mini-batch
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 画图
figure = plt.figure("多维特征")
ax = figure.add_subplot()
ax.set_title('多维特征')
ax.set_xlabel("Epoch")
ax.set_ylabel("Loss")
ax.plot(epoch_list, loss_list)
plt.show()

练习（使用不同的激活函数）：