【PyTorch深度学习实践】学习笔记 第七节 多维特征数据的处理

课程链接PyTorch深度学习实践第七节课程。
go go go~！
通过前几期视频的学习，我们知道了关于一维特征的输入的二分类（也就是x只有一个列向量）应该如何处理了。但事情往往并不那么简单。比如下图这个预测一个人在一年之后得糖尿病的概率的例子，这个时候我们的输入将会有很多的指标。你可以把它看成是我们体检的各种值。最后一排的y代表了他是否会得糖尿病。

那么多维的特征输入应该怎么办呢？我们就需要把每一个特征x给以相应的权重。在进行逻辑回归时，把每一个维度的x乘相应的权值的和加上一个偏置量，送入sigmoid函数进行二分类，就像这样：

i 是指样本，把一个维度Xn的所有样本值加在一起

1、第五讲介绍过Linear这个函数，

torch.nn.Linear(m,n)

其中m和n是输入和输出数据的维度，Linear里面能根据input和output的维度构造Linear Unit单元模块，其中 W 和 B 是矩阵，可以通过广播机制将W和B转换成Nw 和Nb的矩阵。
2、学习能力越强，有可能会把输入样本中噪声的规律也学到。我们要学习数据本身真实数据的规律，学习能力要有泛化能力。
3、该神经网络共3层；第一层是8维到6维的非线性空间变换，第二层是6维到4维的非线性空间变换，第三层是4维到1维的非线性空间变换。
4、本算法中torch.nn.Sigmoid() # 将其看作是网络的一层，而不是简单的函数使用 。

按照以下的图进行编程

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

# 1、 prepare dataset
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32) #加载文本数据集
x_data = torch.from_numpy(xy[ : , :-1])  # 切片 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


# 2、 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()

# 3、 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 = []
# 4、 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()
#测试 取最后一个样本做测试集，可以再交叉验证
x_test = torch.from_numpy(xy[[-1], :-1])
y_test = model(x_test)
print('y_pred = ', y_test.data) #打印出预测的最后一组样本
print('y_real=', torch.from_numpy(xy[[-1], [-1]]) ) #打印出实际的样本

结果：

y_pred = tensor([[0.6533]])
y_real= tensor([1.])

如果想查看某些层的参数，以神经网络的第一层参数为例，可按照以下方法进行。

# 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)

by 小李

如果你坚持到这里了，请一定不要停，山顶的景色更迷人！好戏还在后面呢。加油！
欢迎交流学习和批评指正，你的点赞和留言将会是我更新的动力！谢谢