up主 刘二大人
多维输入
如下图为糖尿病数据集， 输入为10个样本， 每个样本具有8维特征（怀孕次数，血糖，血压，皮脂厚度，胰岛素，BMI身体质量指数，糖尿病遗传函数，年龄），最后一列为标签（结果），0表示未患糖尿病，1表示患有糖尿病。
逻辑回归模型
由于输入数据维数增多， 而预测值是标量， 所以模型需要使用矩阵形式做计算
?
说明：?
1. 乘的权重(w)都一样，加的偏置(b)一样。b变成矩阵时会使用python广播机制。神经网络的参数w和b是网络需要学习的，其他是已知的。
2. 学习能力越强，有可能会把输入样本中噪声的规律也学到， 模型最好是有泛化能力。
神经网络
多层神经网络， 每一层线性变换加上sigmoid函数（激活函数）， 将线性变换变成非线性变换。
如下图所示， 输入为8维， 通过一层神经网络， 输出为6维
?如下图所示，可以通过搭建多层神经网络模型， 最终输出标量。
糖尿病预测
import numpy as np
import torch
import matplotlib.pyplot as plt
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()
# self.sigmoid = torch.nn.ReLU()
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()
"""
GPU 1080/2080 仅支持到32位float
这里使用的数据集是糖尿病数据集(二分类问题)， x为N*8, y表示是否患病(0/1)
"""
xy = np.loadtxt('data\diabetes.csv.gz', delimiter=',', dtype=np.float32)
""" torch.from_numpy: 将数组array转换为张量Tensor """
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]])
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
epoch_list = []
loss_list = []
for epoch in range(1000):
# Forward
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
# Backward
optimizer.zero_grad()
loss.backward()
# Update
optimizer.step()
epoch_list.append(epoch)
loss_list.append(loss)
plt.plot(epoch_list, loss_list)
plt.xlabel('epoch')
plt.ylabel('Loss')
plt.show()
结果显示：
