这次我们搭建一个小小的多层线性网络对糖尿病的病例进行分类
首先先导入需要的库文件
先来看看我们的数据集
观察可以发现，前八列是我们的feature ，根据这八个特征可以判断出病人是否得了糖尿病。所以最后一列是1，0 的一个二分类问题
我们使用numpy 去导入数据集，delimiter 是定义分隔符，这里我们用逗号(,)分割
将前八列的特征放到我们的x_data里面，作为特征输入，最后一列放到y_data作为label
Tip ：这里y_data 里面的 [-1] 中括号不可以省略，否则y_data会变成向量的形式
如果不习惯这种写法，可以用view改变一下形状就行
y_data = torch.from_numpy(xy[:,-1]).view(-1,1) #将y_data 的代码改成这样就可以了
下面是xy , x_data , y_data 打印出前两行的结果
搭建网络的时候，要保证两层网络之间的维数能对应上
首先第一层的时候，因为前八列作为我们的x_data ，也就是说我们输入的特征是 8 维度的，那么由于 y = x * wT + b ，因为输入数据的x是(n * 8) 的，而我们定义的y维度是(n * 6) ，所以wT的维度应该是(8,6)
这里不需要知道啥时候转置，啥时候不转置之类的，只要满足线性的方程y = w*x+b，并且维度一致就行了。因为不管是转置，或者w和x谁在前，只是为了保证满足矩阵相乘而已
一个小的技巧就是：只需要看输入特征是多少，然后保证第一层第一个参数对应就行了，然后第一层第二个参数是想输出的维度。其次是第二层的第一个参数对应第一层第二个参数，以此类推....
我们采用的激活函数是ReLU ， 由于是二元分类，最后一个网络的输出我们采用sigmoid输出
接下来，搭建实例化我们的网络，然后建立优化器
这里我们选择SGD随机梯度下降算法，学习率设置为0.01
训练网络的过程较为简单，大概的过程为
1. 计算预测值
2. 计算损失函数
3. 反向传播，之前要进行梯度清零
4. 梯度更新
5. 重复这个过程，epoch 为所有样本计算一次的周期，这次让epoch 迭代1000次
import torch.nn as nn # 神经网络库
import matplotlib.pyplot as plt # 绘图
import torch # 张量
from torch import optim # 优化器库
import numpy as np # 数据处理
xy = np.loadtxt('./diabetes.csv.gz',delimiter=',',dtype=np.float32) # 加载数据集
x_data = torch.from_numpy(xy[:,:-1]) # 所有行，除了最后一列的元素
y_data = torch.from_numpy(xy[:,-1]).view(-1,1) # -1也能拿出来是向量，但是[-1]会保证拿出来的是个矩阵
epoch_list =[]
loss_list = []
class Model(nn.Module):
def __init__(self):
super(Model,self).__init__()
self.linear1 = nn.Linear(8,6)
self.linear2 = nn.Linear(6,3)
self.linear3 = nn.Linear(3,1)
self.sigmoid = nn.Sigmoid()
self.relu = nn.ReLU()
def forward(self,x):
x = self.relu(self.linear1(x))
x = self.relu(self.linear2(x))
x = self.sigmoid(self.linear3(x))
return x
model = Model()
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(),lr =0.01)
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred,y_data) # 计算损失
if epoch % 100 ==0: # 每隔100次打印一下
print(epoch,loss.item())
#back propagation
optimizer.zero_grad() # 梯度清零
loss.backward() # 反向传播
optimizer.step() # 梯度更新
epoch_list.append(epoch)
loss_list.append(loss.item())
plt.plot(epoch_list,loss_list)
plt.show()输出结果为：
