要想把一个多维空间转换为一维空间的非线性空间变换,要在神经网络里引入激活函数。
激活函数给线性变换增加非线性因子,从而可以拟合非线性变换。
神经网络中神经元越多,学习能力就越强,但学习能力强可能会把输入样本中的噪声的规律也学习到,学习应有泛化能力。
代码如下:
import numpy as np
import torch
import matplotlib.pyplot as plt
# 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('data/diabetes.csv', delimiter=',', dtype=np.float32)
#创建输入输出数据
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,只有最后一列
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维的非线性空间变换
self.linear2 = torch.nn.Linear(6,4)# 第二层是6维到4维的非线性空间变换
self.linear3 = torch.nn.Linear(4,1)# 第三层是4维到1维的非线性空间变换
self.sigmoid = torch.nn.Sigmoid()# 激活函数模块
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') # loss均值
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
epoch_list = []
loss_list = []
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
epoch_list.append(epoch)
loss_list.append(loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
if (epoch % 100 == 0):
print(epoch, loss.item())
plt.plot(epoch_list, loss_list)
plt.xlabel("Epoch")
plt.ylabel("Loss")
plt.show()
结果如下:
0 0.6494088172912598
100 0.6453800201416016
200 0.6453315615653992
300 0.6452845931053162
400 0.6452376842498779
500 0.6451902389526367
600 0.6451418995857239
700 0.6450917720794678
800 0.6450393199920654
900 0.6449838280677795
图表如下: