本次的實(shí)驗(yàn)，就類(lèi)似于神經(jīng)網(wǎng)絡(luò)中的全連接神經(jīng)網(wǎng)絡(luò)，這是用來(lái)處理高維數(shù)據(jù)的。
神經(jīng)網(wǎng)絡(luò)共3層；第一層是8維到6維的非線性空間變換，第二層是6維到4維的非線性空間變換，第三層是4維到1維的非線性空間變換。
代碼如下所示：

#準(zhǔn)備數(shù)據(jù)集 xy = np.loadtxt('E:\\tmp\\.keras\\datasets\\diabetes.csv\\diabetes.csv',delimiter=',',dtype=np.float32) x_data = torch.from_numpy(xy[:,:-1]) y_data = torch.from_numpy(xy[:,[-1]])#定義模型 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() #定義優(yōu)化器和損失函數(shù) criterion = torch.nn.BCELoss(reduction='mean') optimizer = torch.optim.SGD(model.parameters(),lr=0.01) epoch_list = [] acc_list = [] #前向、反向、更新 for epoch in range(100000):y_pred = model(x_data)loss = criterion(y_pred,y_data)optimizer.zero_grad()loss.backward()optimizer.step()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)#用來(lái)計(jì)算準(zhǔn)確率epoch_list.append(epoch)acc_list.append(acc)print('epoch=',epoch,'loss=',loss.item(),'acc=',acc) plt.plot(epoch_list,acc_list) plt.xlabel('epoch') plt.ylabel('acc') plt.show()

模型最終的效果并不是很好，準(zhǔn)確率在78%左右。

epoch= 99999 loss= 0.4616067409515381 acc= 0.764163372859025

努力加油a啊

總結(jié)

以上是生活随笔為你收集整理的Pytorch(六) --处理高维特征数据的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。