Pytorch深度学习代码记录(处理多维特征的输入)

数据集大致样式

#任务要求：
#x的特征维度为八维,利用糖尿病病人的数据集进行训练,判断一年后是否会加重(y=0不会,y=1会)
#设置三层计算的神经网络(一层输入层,一层输出层,两层隐藏层)

#虽然是多为输入,但还是最后还是单维输出,还是输出概率,所以很多都和之前的单输入一样
#但是要注意,中间的输出可以不是单维,只要保证最后输出是单维即可
#矩阵是一个空间变换的函数,可以实现并行运算,发挥GPU性能,缩减运算时间

import numpy as np
import torch
import matplotlib.pyplot as plt
 
# 数据准备
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]])#要用[1]取,不能用1取,这样保证取出来还是个矩阵而不是个向量
#这样用矩阵存储数据方便进行并行运算
 
# 用类设计模型
class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = torch.nn.Linear(8, 6) #创建第一层,输入8维,输出6维
        self.linear2 = torch.nn.Linear(6, 4)#创建第二层,输入6维,输出4维
        self.linear3 = torch.nn.Linear(4, 1)#创建第三层,输入4维,输出1维
        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,运算层
                                                              #在此处可以改变激活函数,如self.activate = torch.nn.ReLU(),对应forward的函数也要改
 
    def forward(self, x):
        x = self.sigmoid(self.linear1(x)) #前一个输出作为后一个输入,为了防止出错故都用x,x在不断更新
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x)) # y hat ,最后一步为了保证输出为[0,1]最好还是用sigmoid,其他可以用别的
        return x
 
 
model = Model()
 
# 构造损失函数和优化器
# 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 = []
# 训练周期
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()