PyTorch深度学习实践——处理多维特征的输入

import torch
import numpy as np

xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)  # 括号内第一个为文件名，第二个为分隔符，第三个为指定数据类型
x_data = torch.from_numpy(xy[:, :-1])  # 最后一列不要（-1表示最后一列），取前面八列（最后一列是y）
y_data = torch.from_numpy(xy[:, [-1]])  # 中括号表示仅取-1这一列（即最后一列），写中括号代表拿出来的是一个矩阵，否则是一个向量


class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8, 6)  # 输入维度为8，输出维度为6（列的数量为此处的维度），Linear函数实现了空间维度的变换
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        self.sigmoid = torch.nn.Sigmoid()  # 构造sigmoid函数，使用其他函数只需要修改这一行代码即可
        # 和上一讲中不需要初始化sigmoid函数的区别：上一讲中调用torch.nn.functional.Sigmoid，sigmoid是可以直接使用的函数；
        # 而此处使用torch.nn.Sigmoid，此处的sigmoid是一个模块，继承自Module，没有可训练的参数，故只需要一个（linear需要三个）

    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(reduction='mean')  # BCE损失函数
optimizer = torch.optim.SGD(model.paraments(), lr=0.1)  # 优化器

for epoch in range(100):
    # Forward
    y_pred = model(x_data)  # 此处并没有做mini-batch，而是使用了所有数据
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    # Backward
    optimizer.zero_grad()  # 梯度清零
    loss.backward()

    # Update
    optimizer.step()

此讲的主要内容是输入多维数据并调用。注意根据输入维度和输出维度调用数据集的某几列，如本例中，数据集的前八列作为输入维度为8维的x，最后一列为输出维度为1维的y，所以可以看到在代码中分别取了前八列和最后一列。

此外，本例还使用了多层神经网络，他们的线性单元中的参数不同，故需要linear1、2、3分别对参数进行训练，而sigmoid函数由于没有需要训练的参数，故只有一个即可。神经网络层与层的连接靠不同维度的矩阵变换实现，本例中是8*6,6*4,4*1共三个变换矩阵，最终效果要保证输入维度为8，输出维度为1。（在调用数据集以及后续计算过程中一定要注意矩阵维度的匹配，否则无法计算）

此例也说明了神经网络的功能：实现非线性的空间变换。