深度学习07——处理多维特征的输入

目录

1.分类问题 

2.多维特征的输入 

 2.1 高维输入的逻辑回归模型

2.2 神经网络层的构建原理 

3.以糖尿病数据集为例，由逻辑回归模型做分类 

3.1 数据集的准备（导入数据）

3.2 构建模型 

 3.3 计算损失和选择优化器 

3.4 训练 

 3.5 激活函数一览

4.代码

4.1 视频学习代码

4.2 将训练结果绘制成图像

4.3 查看某些层的参数

---

刘老师学习视频地址：https://www.bilibili.com/video/BV1Y7411d7Ys?p=7 

其他参考笔记：PyTorch 深度学习实践 第7讲_错错莫的博客-CSDN博客

PyTorch学习（六）--处理多维特征的输入_陈同学爱吃方便面的博客-CSDN博客

1.分类问题 

2.多维特征的输入 

 2.1 高维输入的逻辑回归模型

 

2.2 神经网络层的构建原理 

 

 

 

 

 

3.以糖尿病数据集为例，由逻辑回归模型做分类 

 

 

3.1 数据集的准备（导入数据）

链接：https://pan.baidu.com/s/1UKLJpSkZ3dsxh-FcTPJaoQ 
提取码：2022

3.2 构建模型 

 

 3.3 计算损失和选择优化器 

 

3.4 训练 

 

 3.5 激活函数一览

http://rasbt.github.io/mlxtend/user_guide/general_concepts/activation-functions/#activation-functions-for-artificial-neural-networks

 

Redirecting…

 

torch.nn — PyTorch 1.12 documentation

 

 

4.代码

4.1 视频学习代码

import torch
import numpy as np

#导入数据
xy = np.loadtxt('diabetes.csv.gz',delimiter=',',dtype=np.float32)
x_data = torch.from_numpy(xy[:,:-1]) # ":-1" 每行的最后一个元素不要
y_data = torch.from_numpy(xy[:,[-1]]) # [-1] 只要每行的最后一个元素

#step1:自定义模型,并且实例化
class Model(torch.nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.linear1 = torch.nn.Linear(8,6) # 定义第一层神经网络
        self.linear2 = torch.nn.Linear(6,4)
        self.linear3 = torch.nn.Linear(4,1)
        self.sigmoid = torch.nn.Sigmoid()  #非线性化

    #计算
    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() #实例化

#step2:计算损失和选择优化器
criterion = torch.nn.BCELoss(size_average=True) #BCELoss二分类的损失计算方法
optimizer =torch.optim.SGD(model.parameters(),lr=0.1) #选择优化器

for epoch in range(100):
    # 前馈
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print("当前训练的epoch为：",epoch,"loss=",loss.item())

    #反馈
    optimizer.zero_grad() #梯度归零
    loss.backward()

    #更新
    optimizer.step()

4.2 将训练结果绘制成图像

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

# prepare dataset
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])  # 第一个‘：’是指读取所有行，第二个‘：’是指从第一列开始，最后一列不要
y_data = torch.from_numpy(xy[:, [-1]])  # [-1] 最后得到的是个矩阵


# design model using class


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()

# construct loss and optimizer
# criterion = torch.nn.BCELoss(size_average = True)
criterion = torch.nn.BCELoss(reduction='mean')
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

epoch_list = []
loss_list = []
# training cycle forward, backward, update
for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()
    loss.backward()

    optimizer.step()

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

 代码差别：

4.3 查看某些层的参数

# 参数说明
# 第一层的参数：
layer1_weight = model.linear1.weight.data
layer1_bias = model.linear1.bias.data
print("layer1_weight", layer1_weight)
print("layer1_weight.shape", layer1_weight.shape)
print("layer1_bias", layer1_bias)
print("layer1_bias.shape", layer1_bias.shape)