刘二大人 《PyTorch深度学习实践》第7讲 处理多维数据特征的输入

指路☞ 《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

知识补充：

1、糖尿病分类：x1-x8是糖尿病人的指标，y表示一年后他的病情是否加重

 

 

2、可以降维或者增加维度；维度过多，会学习噪声的特征

3、读取数据，把这个.csv文件放到你编程的文件夹里面，就可以找到文件了。

 

4、第6节中的sigmoid 是调用torch.nn.Functional下面的sigmoid函数；这次的sigmoid是个模块，是作为一个运算模块，继承module，没有参数可调整，我们只拿它构造计算图

 5、只需要改激活函数，最后的y_pre需要改成sigmoid

6、np.linspace用来创建等差数列，详细参考【Python】np.linspace用法介绍_Asher117的博客-CSDN博客_linspace

**************************************************************************************************************

import torch
import numpy as np
import matplotlib.pyplot as plt
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
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)
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        self.sigmoid = torch.nn.Sigmoid()
    def forward(self, x):
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(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)

epoch_list = []
loss_list = []

for epoch in range(100):
    #forward
    y_p = model(x_data)
    loss = criterion(y_p, y_data)
    print(epoch, loss.item())
    #backward5
    optimizer.zero_grad()
    loss.backward()
    #update
    optimizer.step()
    epoch_list.append(epoch)
    loss_list.append(loss)
#plt.plot(np.linspace(0, 100, 100), loss_list)（这条是注释，和下面那条代码，结果一样）
plt.plot(epoch_list, loss_list)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()

部分结果如下：

下面这个文章讲的很详细，更全面

PyTorch深度学习实践概论笔记7-处理多维特征的输入_csdn_xmj的博客-CSDN博客