【Pytorch深度学习实践】刘二大人7处理多维特征的输入

import torch
import numpy as np
import matplotlib.pyplot as plt

#分隔符用逗号，神经网络通常使用32维浮点数
xy=np.loadtxt('diabetes.csv.gz',delimiter=',',dtype=np.float32)
#读取所有行，从第一列开始最后一列不要（读前8列x标签）
x_data=torch.from_numpy(xy[:,:-1])
#读取所有行的最后一列，加中括号为生成矩阵，直接-1的话代表是向量
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)#输入维度是8维，输出维度是1维
        #self.linear=torch.nn.Linear(8,2)
        #假如是(8,2) 就在后面再加一个(2,1)(两个维度的输入，1个维度的输出)进行降维
         #8维到1维的非线性变换，神经网络就通过引入sigmoid函数实现非变换，每个模块连接之前都要进行sigmoid激活，给线性变换增加非线性因子
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        # 和上一讲调用的nn.function下的sigmoid函数不一样，这里调用的是nn下的一个模块，也是继承自module
        # 运算模块，作为一层，无参数不需要训练，用这个构建计算图
        self.sigmod=torch.nn.Sigmoid()
        #self.activate = torch.nn.Relu()#修改激活函数
    def forward(self,x):
        #上一层的输出作为下一层输入
        x=self.sigmod(self.linear1(x))
        x=self.sigmod(self.linear2(x))
        x=self.sigmod(self.linear3(x))#如果用relu，为了避免最后一层结果输出0，最后一层还是要用sigmoid
       # x = self.activate(self.linear3(x))
        return x
model=Model()
#criterion=torch.nn.BCELoss(size_average=True)#取平均了 ，数值变小，所以后面学习率大了
criterion = torch.nn.BCELoss(reduction='mean')
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()
    loss.backward()

    optimizer.step()


plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()