《PyTorch深度学习实践》Lecture_07 处理多维特征的输入 Multiple Dimension Input

最新推荐文章于 2024-05-28 19:45:06 发布

原创最新推荐文章于 2024-05-28 19:45:06 发布 · 303 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#神经网络 #深度学习 #机器学习 #python

PyTorch深度学习专栏收录该内容

12 篇文章

订阅专栏

这篇博客回顾了刘二大人老师在Lecture_07中讲解的多维特征逻辑回归模型，介绍了如何处理多个特征输入。内容包括使用PyTorch构建包含多个线性层的神经网络，并应用Sigmoid激活函数。通过实例展示了数据读取、模型定义、损失函数选择（BCELoss）、优化器（SGD）设置以及训练过程。最后，博主展示了一个简单的训练损失随时间变化的图表。

B站刘二大人老师的《PyTorch深度学习实践》Lecture_07 重点回顾+代码复现

Lecture_07 处理多维特征的输入 Multiple Dimension Input

一、重点回顾

（一）Multiple Dimension Logistic Regression Model

1. 多维特征的逻辑回归模型

（每个样本有8个特征）
在这里插入图片描述

通过并行运算可以提高运算速度

2. 线性层

在这里插入图片描述

3. 神经网络

在这里插入图片描述
一个例子：

（二）激活函数

在这里插入图片描述

二、代码复现

# 读取数据
import torch
import numpy as np
xy = np.loadtxt('diabetes.csv.gz',delimiter=',',dtype=np.float32)
# delimiter分隔符
x_data = torch.from_numpy(xy[:,:-1])
# 不要最后一列
y_data = torch.from_numpy(xy[:,[-1]])
# 要最后一列，且用矩阵，所以要加[]

# 建立模型
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))
		# O1
		x = self.sigmoid(self.linear2(x))
		# O2
		x = self.sigmoid(self.linear3(x))
		# Y_hat
		return x

model = Model()

# 构造损失和优化器
criterion = torch.nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

# 训练
loss_ = []
for epoch in range(100):
	y_pred = model(x_data)
	# 该项目并没有用mini-batch
	loss = criterion(y_pred,y_data)
	print(epoch,loss.item())

	optimizer.zero_grad()
	loss.backward()
	optimizer.step()
	loss_.append(loss.item())

# 结果输出
from matplotlib import pyplot as plt
x = np.linspace(0,len(loss_),len(loss_))
plt.plot(x, loss_,linewidth = 1.5)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

在这里插入图片描述