以实际代码出发，逐行讲解。
完整代码：
import numpy as np
import torch
import matplotlib.pyplot as plt
# load data
xy = np.loadtxt('C:\\Users\\14185\\Desktop\\diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]])
# define model
class 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, 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))
return x
model = Model()
# define loss function and optimizer
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
# define list to store losses
losses = []
# train model
for epoch in range(10000):
# Forward
y_pred = model(x_data) # 注意这里没有使用小批量数据集，在后面的课程会讲解如何加载数据集
loss = criterion(y_pred, y_data)
losses.append(loss.item())
# Backward
optimizer.zero_grad()
loss.backward()
# Update
optimizer.step()
# plot losses
plt.plot(range(len(losses)), losses)
plt.xlabel('Epoch')
plt.ylabel('Loss')
plt.show()
首先准备数据集
将 CSV 文件中的数据加载到 PyTorch 张量中，以便进行深度学习模型的训练和评估。
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32) # 一般GPU只支持32位浮点数
x_data = torch.from_numpy(xy[:,:-1])
y_data = torch.from_numpy(xy[:, [-1]])-
x_data = torch.from_numpy(xy[:, :-1])这一行代码将 NumPy 数组xy的所有行和除最后一列之外的所有列转换为 PyTorch 张量x_data。这个张量包含了输入特征的数据。 -
y_data = torch.from_numpy(xy[:, [-1]])这一行代码将 NumPy 数组xy的所有行和最后一列转换为 PyTorch 张量y_data。这个张量包含了输出标签的数据。
class 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, 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))
return x
model = Model()-
self.linear1 = torch.nn.Linear(8, 6): 这一行代码定义了一个全连接层（也称为线性层），该层有 8 个输入节点和 6 个输出节点。这个层将数据从输入层传递到隐藏层。 -
self.linear2 = torch.nn.Linear(6, 4): 这一行代码定义了第二个全连接层，该层有 6 个输入节点和 4 个输出节点。这个层将数据从第一个隐藏层传递到第二个隐藏层。 -
self.linear3 = torch.nn.Linear(4, 1): 这一行代码定义了第三个全连接层，该层有 4 个输入节点和 1 个输出节点。这个层将数据从第二个隐藏层传递到输出层。 -
self.sigmoid = torch.nn.Sigmoid(): 这一行代码定义了一个 Sigmoid 激活函数，将在模型的前向传播中使用。 -
def forward(self, x):: 这一行代码定义了模型的前向传播函数。这个函数将输入数据x作为参数，将数据从输入层传递到输出层。 -
x = self.sigmoid(self.linear1(x)): 这一行代码将输入数据x传递到第一个全连接层，并将其输出通过 Sigmoid 激活函数进行处理。 -
x = self.sigmoid(self.linear2(x)): 这一行代码将第一个全连接层的输出传递到第二个全连接层，并将其输出通过 Sigmoid 激活函数进行处理。 -
x = self.sigmoid(self.linear3(x)): 这一行代码将第二个全连接层的输出传递到输出层，并将其输出通过 Sigmoid 激活函数进行处理。
为什么对每层都应用一个sigmoid？
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.1)-
criterion = torch.nn.BCELoss(size_average=True): 创建二元交叉熵损失函数。该损失函数通常用于二元分类问题，计算模型预测值与真实标签之间的差异，可以用于指导模型参数的更新。size_average=True意味着对每个样本的损失值取平均值，并将其用于计算模型的总体损失值。 -
optimizer = torch.optim.SGD(model.parameters(), lr=0.1): 创建随机梯度下降（SGD）优化器。该优化器通常用于训练神经网络，根据损失函数计算的梯度更新网络中的参数。model.parameters()是将所有神经网络中可训练的参数（权重和偏置）作为输入传递给优化器，以便更新它们。lr=0.1表示优化器的学习率为 0.1，它控制了每次更新参数的步长，也影响了模型的训练速度和性能。
逻辑斯蒂模型的变化
预测目标使用的 含多维特征的数据集——糖尿病数据集（sklearn中 其实也有类似的糖尿病数据集）：每个样本/记录（sample/record）有8个维度的信息（feature），并以此进行二分类。Y表示一年后 糖尿病 病情是否加重。
