07multiple dimension input.py

比如下圖這個預測一個人在一年之后得糖尿病的概率的例子，這個時候我們的輸入將會有很多的指標。你可以把它看成是我們體檢的各種值。最后一排的外代表了他是否會得糖尿病。

# -*- codeing = utf-8 -*- # @Time :2021/4/19 10:25 # @Author:sueong # @File:07multiple dimension input.py # @Software:PyCharmimport os os.environ["KMP_DUPLICATE_LIB_OK"]="TRUE"import numpy as np import torch import matplotlib.pyplot as plt #1 prepare the dataset xy=np.loadtxt('diabetes.csv',delimiter=',',dtype=np.float32)#文件名，以‘，’作為分割符，常用32位浮點數x_data=torch.from_numpy(xy[:,:-1])#第一個":"切片所有行，第二個“：-1”是指從第一列開始，最后一列不要 y_data=torch.from_numpy(xy[:,[-1]])#[-1]這樣拿出來的是一個矩陣#2design model using class #init 三個linear8-6-4-1 sigmoid #forward 三次sigmoid 上一個輸入做下一個輸出 class Model(torch.nn.Module):def __init__(self):super(Model, self).__init__()self.linear1=torch.nn.Linear(8,6)# 輸入數據x的特征是8維，x有8個特征self.linear2=torch.nn.Linear(6,4)self.linear3 =torch.nn.Linear(4,1)self.sigmoid=torch.nn.Sigmoid()# 將其看作是網絡的一層，而不是簡單的函數使用def forward(self,x):#構建計算圖x = self.sigmoid(self.linear1(x))x = self.sigmoid(self.linear2(x))x = self.sigmoid(self.linear3(x))return xmodel=Model()# 參數說明 # 第一層的參數： layer1_weight = model.linear1.weight.data layer1_bias = model.linear1.bias.data print("layer1_weight", layer1_weight) print("layer1_weight.shape", layer1_weight.shape) print("layer1_bias", layer1_bias) print("layer1_bias.shape", layer1_bias.shape) ''' layer1_weight tensor([[ 0.1053, 0.1716, 0.1981, 0.1613, -0.1268, 0.1843, -0.3029, -0.1547],[-0.2075, -0.2407, -0.1529, -0.2438, 0.3339, -0.3276, 0.0095, -0.1153],[ 0.1969, 0.0073, -0.1312, -0.1668, 0.2570, -0.2317, 0.2036, 0.0433],[ 0.1871, 0.3029, 0.2014, 0.2805, 0.0691, -0.0206, 0.3492, -0.2535],[-0.0884, 0.2787, -0.0073, -0.1533, -0.0399, -0.1590, 0.2161, 0.3270],[-0.2526, -0.1705, -0.0183, 0.2450, -0.1937, -0.1331, -0.0771, 0.0410]]) layer1_weight.shape torch.Size([6, 8]) layer1_bias tensor([ 1.6963e-02, 2.0659e-01, -3.1528e-01, -2.0308e-01, -1.4773e-04,-3.5623e-02]) layer1_bias.shape torch.Size([6])'''#3 construct loss and optimizer #criterion=torch.nn.BCELoss(size_average=False) criterion=torch.nn.BCELoss(reduction='mean')#用size_average=False 會得到9999 26300.0這樣很奇怪的額數字 #model.parameters()會掃描module中的所有成員，如果成員中有相應權重，那么都會將結果加到要訓練的參數集合上 optimizer=torch.optim.SGD(model.parameters(),lr=0.1)epoch_list=[] loss_list=[]# 4training cycle forward, backward, updatefor epoch in range(1000):y_pre=model(x_data)loss=criterion(y_pre,y_data)print(epoch,loss.item())epoch_list.append(epoch)loss_list.append(loss.item())optimizer.zero_grad()loss.backward()optimizer.step()plt.plot(epoch_list,loss_list) plt.xlabel('epoch') plt.ylabel('loss') plt.show()

訓練10000 趨于收斂 w在0.4左右
訓練1000 趨于收斂 w在0.6左右

總結

以上是生活随笔為你收集整理的PyTorch深度学习实践07的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。