卷积神经网络07（多维特征输入）pytorch 关于训练的轮数我也不知道怎么选，有没有朋友可以交流一下经验？

可以进行降维也可以进行升维，其实就是矩阵的计算。
升维会出现一个问题，就是超参数的查找和应用。
隐层越多，学习能力越强，单数学习能力太强也不是很好，会把模型里面的噪音也学习进来。
（比如：学习能力太强了，就类似于把书本背死了）


数据集可以在自行下载：链接: https://pan.baidu.com/s/1Ku5c99yDHNFMt8EJAcF5LA 提取码: n4xh
如果失效了可以私信我

torch.sigmoid、torch.nn.Sigmoid和torch.nn.functional.sigmoid的区别

import torch
import numpy as np
import matplotlib.pyplot as plt
import torch.nn.functional as F

xy = np.loadtxt('diabetes.csv.gz',delimiter=',',dtype=np.float32) # delimiter分割 dtype=np.float32一般都使用32位的浮点数
x_data = torch.from_numpy(xy[:,:-1])
y_data = torch.from_numpy(xy[:,[-1]])  # [-1]拿出来的是一个矩阵而不是向量，要保证在计算的时候是矩阵

# print(x_data,y_data)

class Model(torch.nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.linear1 = torch.nn.Linear(8,7)
        self.linear2 = torch.nn.Linear(7,6)
        self.linear3 = torch.nn.Linear(6,5)
        self.linear4 = torch.nn.Linear(5,4)
        self.linear5 = torch.nn.Linear(4,3)
        self.linear6 = torch.nn.Linear(3,2)
        self.linear7 = torch.nn.Linear(2,1)
        self.sigmoid = torch.nn.Sigmoid()  # nn下的sigmoid pytorch激活函数很多，可以都试试，例如：rule...torch.nn.Rule() //取值0-1
        # self.activate = torch.nn.Sigmoid()

    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.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        x = self.sigmoid(self.linear4(x))
        x = self.sigmoid(self.linear5(x))
        x = self.sigmoid(self.linear6(x))
        x = self.sigmoid(self.linear7(x))
        return x

model = Model()

# 损失函数和优化器
criterion = torch.nn.BCELoss(reduction='sum')

optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)

epoch_l = []
loss_l = []

for epoch in range(800):
    # forward
    y_pred = model(x_data)
    loss= criterion(y_pred,y_data)
    print(epoch,loss.item())

    # backward
    optimizer.zero_grad()
    loss.backward()

    # update
    optimizer.step()

    epoch_l.append(epoch)
    loss_l.append(loss.item())

plt.plot(epoch_l,loss_l,c='r')
plt.show()

比较变态的写了7层，哈哈

可以看出来已经收敛了
关于训练的轮数我也不知道怎么选，有没有朋友可以交流一下经验