7.处理多维特征的输入

多维输入逻辑斯蒂回归

                                          多层网络

完整代码：

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

# 1.准备数据,从csv文件读取
xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:,:-1])
y_data = torch.from_numpy(xy[:,[-1]])

# 2.设计模型（类） 继承nn.Module 以便使用其方法
class Model(torch.nn.Module):
    # 初始化
    def __init__(self):
        super(Model, self).__init__()
        #3 层神经网络
        self.linear1 = torch.nn.Linear(8, 6)  # Linear是一个线性单元
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 1)
        self.sigmoid = torch.nn.Sigmoid()

    # 前馈方法
    def forward(self, x):
        #每层输出是下层输入
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        return x


model = Model()

# 3 loss 和 optimizer(优化器)
criterion = torch.nn.BCELoss(size_average=True)
# 优化器。 model.parameters()获取模型中需要优化的参数，lr（learning rate，学习率）
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 4 训练过程
for epoch in range(100):
    # 前馈
    y_pred = model(x_data)
    # 计算损失
    loss = criterion(y_pred, y_data)
    print("epoch={},loss={}".format(epoch, loss))

    optimizer.zero_grad()  # 归零
    # 反向传播
    loss.backward()
    # 更新、优化参数
    optimizer.step()