刘二大人-Pytorch深度学习实践-多维特征输入-笔记与作业07

多维特征的输入（示例：疾病风险预测）

• 其实前面已经提到了，线性模型中的输入输出数据集可以不在是一个具体的数，而是可以是多维的矩阵

• 采用矩阵加广播机制，可以不再使用for循环来训练，减轻代码量

• 而此时可以回答复杂神经网络的问题，它中间有很多层，每层都是一次线性回归，但是层与层之间要加上激活函数

• 当然你也可以手动的增加层数，比如你的输入集是8维的，输出集是一维的，直接使用（8 * 1）的权重当然可以，但是这样泛化能力不强。所以可以在中间加上几层神经网络，比如8–10–6–4—2–1，不但可以降维，甚至可以升维。

  

示例代码

主要训练代码和逻辑斯蒂回归一致，主要变化在于数据集的准备和构造模型上

data = np.loadtxt('DataSet/diabetes.csv.gz', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(data[:, :-1]) # 所有行，除了最后一列
y_data = torch.from_numpy(data[:, [-1]]) # 所有行，最后一列，加[]的原因是防止numpy自动把矩阵降级成向量

class MDIModel(nn.Module):
    def __init__(self):
        super(MDIModel, self).__init__()
        self.linear1 = nn.Linear(8, 6)
        self.linear2 = nn.Linear(6, 4)
        self.linear3 = nn.Linear(4, 1)
        self.sigmoid = nn.Sigmoid()
        self.relu = nn.ReLU()

    def forward(self, x):
        # 注意：连续使用 Sigmoid 可能会导致梯度消失，一般最后一层才用逻辑斯蒂
        # 现代网络中内部层通常使用 ReLU
        x = self.relu(self.linear1(x))
        x = self.relu(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        return x