【PyTorch深度学习】第六讲：处理多维特征的输入

最新推荐文章于 2025-07-10 21:34:25 发布

原创最新推荐文章于 2025-07-10 21:34:25 发布 · 144 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #python

PyTorch 深度学习专栏收录该内容

11 篇文章

订阅专栏

本文介绍了如何使用PyTorch库对糖尿病数据进行广播机制降维，通过构建一个包含多个线性层的模型并应用sigmoid激活函数。文章详细展示了如何训练模型，使用BCELoss作为损失函数，并可视化训练过程。

1.原理

对数据矩阵使用广播机制
降维操作

2.代码实现

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

# prepare dataset
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]])


#


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()  # 激活函数

    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') # 均值
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)

epoch_list = []
loss_list = []
# training cycle forward, backward, update
for epoch in range(10):
    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()