6_Multiple Dimension Input

   传送门：07.处理多维特征的输入_哔哩哔哩_bilibili

多维度输入问题

计算图构建成矩阵相乘就行

 

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


# delimiter=',' 间隔符是什么
xy = np.loadtxt(r'C:\Users\86196\Desktop\diabetes.csv.gz',delimiter=',',dtype=np.float32)  #  千万记得加r
# torch.from_numpy(array)是PyTorch中的一个函数，它可以把NumPy的数组转化为PyTorch的张量。
# xy[:, :-1]是在对NumPy数组xy进行切片操作。:表示选择所有行，:-1表示从第一列开始，到倒数第二列结束（不包括最后一列）。
x_data = torch.from_numpy(xy[:, :-1])  
# [:[-1]]是使用NumPy的负索引，表示选择最后一列。所以，xy[:, [-1]]得到的是xy数组的最后一列的视图。
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)  # 输入数据x的特征是8维，x有8个特征
        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))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))  # y hat
        return x
    
model = Model()

# 3.Construct loss and optimizer
criterion = torch.nn.BCELoss(size_average=True, reduction='sum')
optimizer = torch.optim.SGD(model.parameters(),lr=0.1)
# criterion 依旧会构造计算图
# 创建了一个二值交叉熵损失函数（Binary Cross Entropy Loss）。这个函数通常用于二分类问题。
# reduction='mean'意味着在计算损失时，会对每个样本的损失值求平均，得到一个整体的平均损失。
# 也可以写 reduction='sum'
# class torch.nn.MSELoss(reduce=True)  reduce是问是不是要降维，一般要降维，所以不写

# optimizer 优化器 不会构造计算图
# class torch.optim.SGD(params,Is=<object object>,momentum=0,dampeming=0,weight_decay=0,nesterov=Fale)
# parameters找出需要训练的权重，这里我model.parameters()，所以找出的是w
# Ir是leaning rate 学习率，就是α
# 最后得到的optimizer优化器知道对哪些权重（w）做优化，也知道学习率是多少

epoch_list = []
loss_list = []

for epoch in range(100):
    # 前馈
    y_pred = model(x_data)             # 训练
    loss = criterion(y_pred, y_data)   # 得到loss
    print(epoch, loss.item())          # 打印日志
    
    epoch_list.append(epoch)           # 方便作图
    loss_list.append(loss.item())
    
    # 反馈
    optimizer.zero_grad()              # 梯度清零！！
    loss.backward()                    # 反向传播
    # 更新
    optimizer.step()                   # 清零

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

 另外几种激活函数：