《PyTorch深度学习实践》第七讲 处理多维特征的输入

首先说明一下逻辑回归模型

 

小批量的模型

 定义线性层

 

神经网络内部计算过程

 

代码如下：

'''
利用pytorch构建模型大多可分为四步：
1、准备数据集
2、模型的构造，定义相应的模型
3、构造损失函数和优化器
4、训练循环
'''

import torch                 #导入需要的包
import numpy as np
import matplotlib.pyplot as plt

xy = np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)        #np.loadtxt，读取txt,csv文件
x_data = torch.from_numpy(xy[:,:-1])       # 第一个‘：’是指读取所有行，第二个‘：’是指从第一列开始，最后一列不要
y_data = torch.from_numpy(xy[:,[-1]])     # [-1] 最后得到的是个矩阵，避免产生的是一个向量


class Model(torch.nn.Module):                 #构建模型。继承自module
    def __init__(self):                       #构建初始函数
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8,6)     # 输入数据x的特征是8维，x有8个特征，8维降到6维
        self.linear2 = torch.nn.Linear(6,4)
        self.linear3 = torch.nn.Linear(4,1)
        self.sigmoid = torch.nn.Sigmoid()       # 将其看作是网络的一层，而不是简单的函数使用

    def forward(self,x):
         x = self.sigmoid(self.linear1(x))         #加入激活函数
         x = self.sigmoid(self.linear2(x))
         x = self.sigmoid(self.linear3(x))  #y hat
         return x

model = Model()


criterion = torch.nn.BCELoss(reduction='mean')          #定义损失函数和优化器，损失函数使用二分类交叉熵损失，优化随机梯度下降算法
optimizer = torch.optim.SGD(model.parameters(),lr=0.1)

epoch_list = []
loss_list = []

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()           #每使用一次loss会构建计算图，梯度会累加，需要清零
    loss.backward()                 #损失的反向传播

    optimizer.step()                  #更新

plt.plot(epoch_list,loss_list)      #绘图
plt.xlabel('epoch')        #选中单词或者句子，点击单引号或者双引号可以快速添加引号
plt.ylabel('loss')
plt.show()

运行输出：