[人工智能]pytorch实践07（刘二大人）

本节刘老师主要讲的是如何处理多维特征的输入，其实本节的内容主要还是接着上节的一维的特征输入，将特征改为多特征的输入，数据集用的是Diabetes Dataset，这是包括8*8的输入和8*1 的输出，具体数据集如下：其实处理这个多特征的问题和单特征的问题方法大同小异，同样分为4个模块，准备数据集、创造模型、构建损失函数和优化器、循环训练

详细代码：

import torch
import numpy as np
import matplotlib.pyplot as plt

#准备数据集
xy = np.loadtxt('C:/Users/C/Desktop/pytorch实战/pytorch实战/diabetes.csv.gz',delimiter=',',dtype=np.float32)
x_data = torch.from_numpy(xy[:,:-1])
y_data = torch.from_numpy(xy[:,[-1]])

#构建模型
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()

#构建损失函数和优化器
Loss = torch.nn.BCELoss(size_average=False)
Optim = torch.optim.SGD(model.parameters(),lr=0.01)

#循环训练
loss_list = []
for epoch in range(1000):
    #前馈传播
    y_pred = model(x_data)
    loss = Loss(y_pred,y_data)
    print('epoch:',epoch,'loss',loss.item())
    loss_list.append(loss.item())

    #反向传播
    Optim.zero_grad()
    loss.backward()

    #更新
    Optim.step()

#可视化
plt.style.use('seaborn')
plt.plot(loss_list,color = (0,0.5,0.5))
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

与视频中不同的是我将学习率改为了0.01，因为我设置学习率为0.1时，得到的可视化结果如下：

?损失值不降反升，故我将学习率调小，设置成0.01，得到如下结果

可以看出，训练的效果仍然不是特别的好，可能的原因：一、参数设置；二、激活函数的选择；三、优化器的选择；四、训练轮数不够

所以我将训练轮数改为5000，得到如下结果?

?可以看出损失由一定程度的下降。而我又将优化器改成Adam，在此训练5000轮得到的效果：

发现在这个问题上，Adam优化器训练效果比SGD优化器要好很多。我还对激活函数做了对比，就不一一展示，继续跟着刘老师学习，和小伙伴分享我的收获。?