PyTorch学习6：多维特征输入

本文主要是介绍PyTorch学习6：多维特征输入，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

---

前言

介绍了如何处理多维特征的输入问题

一、模型说明

多维问题分类模型

二、示例

1.求解步骤

1.载入数据集：数据集用路径D:\anaconda\Lib\site-packages\sklearn\datasets\data下的diabetes.csv，输入有8个维度
2.创建模型：维度8-6-4-2-1
3.选择损失函数和优化器
3.进行训练

2.示例代码

代码如下（示例）：

import numpy as np
import torch
import matplotlib.pyplot as plt# prepare dataset
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])  # 第一个‘：’是指读取所有行，第二个‘：’是指从第一列开始，最后一列不要
print("input data.shape", x_data.shape)
y_data = torch.from_numpy(xy[:, [-1]])  # [-1] 最后得到的是个矩阵# print(x_data.shape)
# design model using classclass Model(torch.nn.Module):def __init__(self):super(Model, self).__init__()self.linear1 = torch.nn.Linear(8, 6)self.linear2 = torch.nn.Linear(6, 4)self.linear3 = torch.nn.Linear(4, 2)self.linear4 = torch.nn.Linear(2, 1)self.sigmoid = torch.nn.Sigmoid()def forward(self, x):x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))  # y hatx = self.sigmoid(self.linear4(x))  # y hatreturn xmodel = Model()# construct loss and optimizer
criterion = torch.nn.BCELoss(size_average = True)optimizer = torch.optim.SGD(model.parameters(), lr=0.1)epoch_list = []
loss_list = []
# training cycle forward, backward, update
for epoch in range(1000):y_pred = model(x_data)loss = criterion(y_pred, y_data)# print(epoch, loss.item())print(epoch, loss.item())epoch_list.append(epoch)loss_list.append(loss.item())optimizer.zero_grad()loss.backward()optimizer.step()if epoch % 100 == 99:y_pred_label = torch.where(y_pred >= 0.5, torch.tensor([1.0]), torch.tensor([0.0]))acc = torch.eq(y_pred_label, y_data).sum().item() / y_data.size(0)print("loss = ", loss.item(), "acc = ", acc)plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

得到如下结果：

总结

PyTorch学习6：多维特征输入

这篇关于PyTorch学习6：多维特征输入的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---