使用Pytorch处理多维特征的输入

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。

那么多维的特征输入应该怎么办呢？我们就需要把每一个特征x付以相应的权重。在进行逻辑回归时，把每一个维度的x乘相应的权值的和加上一个偏置量，送入sigema函数进行二分类，就像这样：

当然在真正编程的时候是以矩阵乘法的形式进行运算的，也就是一次能算多个样本的值，具体的推导过程大家可以看刘老师的教学视频，这里就不写了。根据数据集，我们需要构造一个从八维到一维的计算图，就是这样：

import numpy as np
import torch
from torch import nnxy=np.loadtxt("CIFAdata/diabetes.csv.gz",delimiter=",",dtype=np.float32)
x_data=torch.from_numpy(xy[:,:-1])
print(x_data)
#[-1] 表示要拿出一个矩阵
y_data=torch.from_numpy(xy[:,[-1]])
print(y_data)class Model(nn.Module):def __init__(self):##构造函数super(Model, self).__init__()#8维转为6维self.linear1 = torch.nn.Linear(8,6)self.linear2 = torch.nn.Linear(6, 4)self.linear3 = torch.nn.Linear(4, 1)#激活函数# self.active=torch.nn.ReLU()#因为他里边也没有权重需要更新，所以要一个就行了，单纯的算个数self.sigmoid = torch.nn.Sigmoid()def forward(self,x):##构建一个计算图，就像上面图片画的那样x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))##将上面一行的输出作为输入x = self.sigmoid(self.linear3(x))return x
model=Model()##实例化模型criterion=torch.nn.BCELoss(size_average=True)
#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)for epoch in range(100):y_pred=model(x_data)loss=criterion(y_pred,y_data)print(epoch,loss.item())#反向传播optimizer.zero_grad()loss.backward()#Updataoptimizer.step()# 如果想查看某些层的参数，以神经网络的第一层参数为例，可按照以下方法进行。
# 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)

使用Pytorch处理多维特征的输入相关推荐

PyTorch处理多维特征的输入
1.代码 import numpy as np import torch import matplotlib.pyplot as plt import torch.nn.functional as F ...
（五）处理多维特征的输入（上）+torch.nn.Linear(8,1)表示什么+代码
目录 1.普通逻辑回归一个样本中一条数据有1个特征 2.多维特征:一个样本中一条数据有n个特征(以n=8为例) 计算流程:矩阵乘法 (8,1)表示什么? 3.代码: 1.普通逻辑回归一个样本中一条 ...
处理多维特征的输出（糖尿病数据）
#处理多维特征的输入#prepare Dateset import numpy as np import torchxy = np.loadtxt('./diabetes.csv',delimiter ...
pytorch 入门学习处理多维特征输入-7
pytorch 入门学习处理多维特征输入处理多维特征输入 import torch import numpy as np import torchvision import numpy as np ...
OpenCV之feature2d 模块. 2D特征框架（2）特征描述使用FLANN进行特征点匹配使用二维特征点(Features2D)和单映射(Homography)寻找已知物体平面物体检测
特征描述目标在本教程中,我们将涉及: 使用 DescriptorExtractor 接口来寻找关键点对应的特征向量. 特别地: 使用 SurfDescriptorExtractor 以及它的函数 ...
二维特征分类的基础_3D 分割分类总结
三维深度学习的几种方法: 多视角(multi-view):通过多视角二维图片组合为三维物体,此方法将传统CNN应用于多张二维视角的图片,特征被view pooling procedure聚合起来形成三 ...
《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 ...
evaluate函数使用无效_使用Keras和Pytorch处理RNN变长序列输入的方法总结
最近在使用Keras和Pytorch处理时间序列数据,在变长数据的输入处理上踩了很多坑.一般的通用做法都需要先将一个batch中的所有序列padding到同一长度,然后需要在网络训练时屏蔽掉paddi ...
pytorch中根据神经网络结构确定输入图片尺寸（根据图片尺寸修改神经网络结构）
在学习pytorch的过程中,看到一些代码的解释中会说这个网络的期望输入大小为32x32(也可能是其他数字),请将输入图片调整为32x32. 开始的时候有一些不解,仔细看代码后明白,为代码条理清晰,一 ...

使用Pytorch处理多维特征的输入

使用Pytorch处理多维特征的输入相关推荐

最新文章

热门文章