PyTorch深度学习实践 07.处理多维特征输入

07.处理多维特征的输入_哔哩哔哩_bilibili

最近在 B站 刘二大人 学习PyTorch ，上传一些学习用的代码，仅供参考和交流。

注意导入数据的时候，使用self.y_data = torch.from_numpy(xy[:, [-1]])，原因如下：

        self.y_data = torch.from_numpy(xy[:, [-1]])

        使用了双括号 [[ ]]，会保持数据的维度。假设 xy 是一个 NumPy 数组，xy[:, [-1]] 返回的是一个二维数组，其中包含了 xy 中所有行的最后一列数据。这样做是为了确保 self.y_data 是一个二维张量，即形状为 (N, 1)，其中 N 是数据点的数量。

        self.y_data = torch.from_numpy(xy[:, -1]])

        使用的是单括号 []，会降低数据的维度。假设 xy 是一个 NumPy 数组，xy[:, -1] 返回的是一个一维数组，其中包含了 xy 中所有行的最后一列数据。这样做是为了将 self.y_data 变成一个一维张量，即形状为 (N,)，其中 N 是数据点的数量。

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

#导入数据
xy=np.loadtxt('../dataset/diabetes.csv',delimiter=',',dtype=np.float32)
x_data=torch.from_numpy(xy[:,:-1])
y_data=torch.from_numpy(xy[:,[-1]])#直接写-1，拿出来是一个向量，加[]表示矩阵
#定义模型
class Model(torch.nn.Module):
    def __init__(self):
        super(Model,self).__init__()#调用父类的init
        self.linear1 = torch.nn.Linear(8,6)
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        self.activate=torch.nn.Sigmoid()#作为一个模块，没有参数
    def forward(self,x):
        x = self.activate(self.linear1(x))
        x = self.activate(self.linear2(x))
        x = self.activate(self.linear3(x))
        return x
model=Model()

#构造损失函数和优化器
criterion=torch.nn.BCELoss(reduction='sum')#损失函数,不求均值
#model.parameters()会扫描module中的所有成员，如果成员中有相应权重，那么都会将结果加到要训练的参数集合上
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)#SGD优化器
#训练过程
losses=[]
accs=[]
for epoch in range(10000):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    # print(epoch,loss.item())
    losses.append(loss.item())

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

    y_pred_label = torch.where(y_pred >= 0.5, torch.tensor([1.0]), torch.tensor([0.0]))
    acc = torch.eq(y_pred_label, y_data).sum().item() / y_data.size(0)
    accs.append(acc)


#显示训练结果
plt.figure(1)
plt.plot(losses,label='loss')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend()

plt.figure(2)
plt.plot(accs,label='acc')
plt.xlabel('epoch')
plt.ylabel('acc')
plt.legend()
plt.show()

训练过程中损失函数变化如下：

---

训练过程中，准确率变化如下：