PyTorch深度学习实践07

07multiple dimension input.py

比如下图这个预测一个人在一年之后得糖尿病的概率的例子，这个时候我们的输入将会有很多的指标。你可以把它看成是我们体检的各种值。最后一排的外代表了他是否会得糖尿病。

# -*- codeing = utf-8 -*-
# @Time :2021/4/19 10:25
# @Author:sueong
# @File:07multiple dimension input.py
# @Software:PyCharmimport os
os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"import numpy as np
import torch
import matplotlib.pyplot as plt
#1 prepare the dataset
xy=np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)#文件名，以‘，’作为分割符，常用32位浮点数x_data=torch.from_numpy(xy[:,:-1])#第一个":"切片所有行，第二个“：-1”是指从第一列开始，最后一列不要
y_data=torch.from_numpy(xy[:,[-1]])#[-1]这样拿出来的是一个矩阵#2design model using class
#init 三个linear8-6-4-1 sigmoid #forward 三次sigmoid 上一个输入做下一个输出
class Model(torch.nn.Module):def __init__(self):super(Model, self).__init__()self.linear1=torch.nn.Linear(8,6)# 输入数据x的特征是8维，x有8个特征self.linear2=torch.nn.Linear(6,4)self.linear3 =torch.nn.Linear(4,1)self.sigmoid=torch.nn.Sigmoid()# 将其看作是网络的一层，而不是简单的函数使用def forward(self,x):#构建计算图x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))return xmodel=Model()# 参数说明
# 第一层的参数：
layer1_weight = model.linear1.weight.data
layer1_bias = model.linear1.bias.data
print("layer1_weight", layer1_weight)
print("layer1_weight.shape", layer1_weight.shape)
print("layer1_bias", layer1_bias)
print("layer1_bias.shape", layer1_bias.shape)
'''
layer1_weight tensor([[ 0.1053,  0.1716,  0.1981,  0.1613, -0.1268,  0.1843, -0.3029, -0.1547],[-0.2075, -0.2407, -0.1529, -0.2438,  0.3339, -0.3276,  0.0095, -0.1153],[ 0.1969,  0.0073, -0.1312, -0.1668,  0.2570, -0.2317,  0.2036,  0.0433],[ 0.1871,  0.3029,  0.2014,  0.2805,  0.0691, -0.0206,  0.3492, -0.2535],[-0.0884,  0.2787, -0.0073, -0.1533, -0.0399, -0.1590,  0.2161,  0.3270],[-0.2526, -0.1705, -0.0183,  0.2450, -0.1937, -0.1331, -0.0771,  0.0410]])
layer1_weight.shape torch.Size([6, 8])
layer1_bias tensor([ 1.6963e-02,  2.0659e-01, -3.1528e-01, -2.0308e-01, -1.4773e-04,-3.5623e-02])
layer1_bias.shape torch.Size([6])'''#3 construct loss and optimizer
#criterion=torch.nn.BCELoss(size_average=False)
criterion=torch.nn.BCELoss(reduction='mean')#用size_average=False 会得到9999 26300.0这样很奇怪的额数字
#model.parameters()会扫描module中的所有成员，如果成员中有相应权重，那么都会将结果加到要训练的参数集合上
optimizer=torch.optim.SGD(model.parameters(),lr=0.1)epoch_list=[]
loss_list=[]# 4training cycle forward, backward, updatefor epoch in range(1000):y_pre=model(x_data)loss=criterion(y_pre,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.xlabel('epoch')
plt.ylabel('loss')
plt.show()

训练10000 趋于收敛 w在0.4左右
训练1000 趋于收敛 w在0.6左右

PyTorch深度学习实践07相关推荐

PyTorch深度学习实践
根据学习情况随时更新. 2020.08.14更新完成. 参考课程-刘二大人<PyTorch深度学习实践> 文章目录 (一)课程概述 (二)线性模型 (三)梯度下降算法 (四)反向传播 (五 ...
【Pytorch深度学习实践】B站up刘二大人之SoftmaxClassifier-代码理解与实现(8/9)
这是刘二大人系列课程笔记的倒数第二个博客了,介绍的是多分类器的原理和代码实现,下一个笔记就是basicCNN和advancedCNN了: 写在前面: 这节课的内容,主要是两个部分的修改: 一是数据集: ...
【Pytorch深度学习实践】B站up刘二大人课程笔记——目录与索引（已完结）
从有代码的课程开始讨论 [Pytorch深度学习实践]B站up刘二大人之LinearModel -代码理解与实现(1/9) [Pytorch深度学习实践]B站up刘二大人之 Gradient Desc ...
《PyTorch 深度学习实践》第10讲卷积神经网络（基础篇）
文章目录 1 卷积层 1.1 torch.nn.Conv2d相关参数 1.2 填充:padding 1.3 步长:stride 2 最大池化层 3 手写数字识别该专栏内容为对该视频的学习记录:[&l ...
PyTorch 深度学习实践第13讲
PyTorch 深度学习实践第13讲引言代码结果引言近期学习了B站刘二大人的PyTorch深度学习实践,传送门PyTorch 深度学习实践--循环神经网络(高级篇),感觉受益匪浅,发现网 ...
刘二大人 PyTorch深度学习实践笔记 P6 逻辑斯蒂回归
刘二大人 PyTorch深度学习实践笔记 P6 逻辑斯蒂回归 P6 逻辑斯蒂回归 1.torchversion 提供的数据集 2.基本概念 3.代码实现 P6 逻辑斯蒂回归 1.torchversi ...
《PyTorch深度学习实践》课堂笔记 Lesson7 神经网络多维特征输入的原理推导与实现
文章目录 1.为什么使用多维的特征输入 2. 多维特征向量输入推导 3.实现过程 3.1源代码 3.2训练结果写在最后 1.为什么使用多维的特征输入对于现实世界来说,影响一个事物发展的因素有很多种 ...
PyTorch深度学习实践概论笔记9-SoftMax分类器
上一讲PyTorch深度学习实践概论笔记8-加载数据集中,主要介绍了Dataset 和 DataLoader是加载数据的两个工具类.这一讲介绍多分类问题如何解决,一般会用到SoftMax分类器. 0 ...
【PyTorch深度学习实践】P9 kaggle otto商品分类作业（含注释）
<PyTorch深度学习实践>-刘二大人 Otto Group Product Classification作业将商品进行十分类,输入为93个特征10个类别的商品数据集,输出为预测数据集 ...

PyTorch深度学习实践07

07multiple dimension input.py

PyTorch深度学习实践07相关推荐

最新文章

热门文章