《PyTorch深度学习实践》P7处理多维特征的输入

全部代码在最后面。
X与Y表示：

x * w （多维情况下）转变为：

多个样本，尽量不用循坏（吴恩达）,转为矩阵，便于计算

修改模型里面的参数：

多层：层数越多，非线性能力增强，但是学习能力不能太好，学到噪声，以至于过拟合，需要把握好泛化能力与过拟合的平衡点。

模型里面都用x，而不是用o1,o2,y_pred（惯例）

不同的激活函数：

code:

'''处理多维特征的输入'''

import numpy as np
import torch

xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:,:-1]) # 取所有行，加所有列（除了最后一列：y）
y_data = torch.from_numpy(xy[:,[-1]]) # 取所有行，加最后一列，为什么要用[-1]：因为要取出的格式为矩阵，而不是向量
class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__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.ReLU()
        self.sigmoid = torch.nn.Sigmoid()
    def forward(self, x):
        x = self.activate(self.linear1(x))
        x = self.activate(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        return x

model = Model()

criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr = 0.1)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

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

效果：