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()
【Pytorch深度学习实践】刘二大人7处理多维特征的输入
最新推荐文章于 2024-07-25 09:25:10 发布