Pytorch:Multiple_Dimension_Input

最新推荐文章于 2022-10-26 21:43:20 发布

原创最新推荐文章于 2022-10-26 21:43:20 发布 · 203 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #deep learning

Pytorch 专栏收录该内容

7 篇文章

订阅专栏

这篇博客展示了如何使用PyTorch构建一个多层感知器模型来预测糖尿病数据集。首先，从'diabetes.csv'文件加载数据并将其转换为张量。接着，定义了一个包含多个线性层和ReLU/Sigmoid激活函数的模型。然后，配置了二元交叉熵损失函数和随机梯度下降优化器。最后，进行了100个周期的训练，打印每个周期的损失值。

1.

加载数据：

 datas=np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)

不同的激活函数：

在这里插入图片描述
链接
多层输入：

2.

import numpy as np
import torch
#step1:准备数据集
datas=np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)
x_train=torch.from_numpy(datas[:,:-1])#转化为tensor
y_train=torch.from_numpy(datas[:,[-1]])

#step2：define Model

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.linear4=torch.nn.Linear(2,1)
        self.sigmoid=torch.nn.Sigmoid()
        self.activate=torch.nn.ReLU()

    def forward(self,x):
        #x=self.sigmoid(self.linear1(x))
        #x=self.sigmoid(self.linear2(x))
        #x=self.sigmoid(self.linear3(x))
        #x=self.sigmoid(self.linear4(x))
        x = self.activate(self.linear1(x))
        x = self.activate(self.linear2(x))
        x = self.sigmoid(self.linear3(x))#最后一个最后用sigmoid，让值在0-1之间
       # x = self.sigmoid(self.linear4(x))
        return x

model1=Model()

#step3: Construct Loss and Optimizer
#criterion=torch.nn.BCELoss(size_average=True)
criterion=torch.nn.BCELoss(reduction='mean')
optimizer=torch.optim.SGD(model1.parameters(),lr=0.1)

#step 4: Training Cycle

for epoch in range(100):
    # Forward
    y_predict=model1(x_train)
    loss=criterion(y_predict,y_train)
    print(epoch,loss.item())
    #backward
    optimizer.zero_grad()
    loss.backward()
    #update
    optimizer.step()