Pytorch深度学习实践-刘二大人-07处理多维特征的输入

回顾一下深度网络模型：

在此之前构造的网络模型，输入输出均是一维的。本节主要变化的是处理输入数据为多维情况时：

改变的是输入的维度m和输出维度n:

torch.nn.Linear(m,n)

补充：矩阵乘法就是对于维度进行的变换，引入矩阵A，使得X从N维变成M维

接下来按照网络模型来说，本节进行变化的是第1部分数据加载和第2部分设计模型：

1.准备数据集：

2.设计网络模型：

实现的代码为：

最后完整的代码为：

import numpy as np
import torch

xy = np.loadtxt('diabetes.csv.gz', 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)

for epoch in range(1000):
    # Forward
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    # Backward
    optimizer.zero_grad()
    loss.backward()
    # Update
    optimizer.step()