下图这个预测一个人在一年之后得糖尿病的概率的例子，这个时候我们的输入将会有很多的指标。你可以把它看成是我们体检的各种值。最后一排的外代表了他是否会得糖尿病。
那么多维的特征输入应该怎么办呢？我们就需要把每一个特征x付以相应的权重。在进行逻辑回归时，把每一个维度的x乘相应的权值的和加上一个偏置量，送入sigema函数进行二分类，就像这样：
当然在真正编程的时候是以矩阵乘法的形式进行运算的，也就是一次能算多个样本的值，具体的推导过程大家可以看刘老师的教学视频，这里就不写了。根据数据集，我们需要构造一个从八维到一维的计算图，就是这样：
import numpy as np import torch from torch import nn xy=np.loadtxt("CIFAdata/diabetes.csv.gz",delimiter=",",dtype=np.float32) x_data=torch.from_numpy(xy[:,:-1]) print(x_data) #[-1] 表示要拿出一个矩阵 y_data=torch.from_numpy(xy[:,[-1]]) print(y_data) class Model(nn.Module): def __init__(self):##构造函数 super(Model, self).__init__() #8维转为6维 self.linear1 = torch.nn.Linear(8,6) self.linear2 = torch.nn.Linear(6, 4) self.linear3 = torch.nn.Linear(4, 1) #激活函数 # self.active=torch.nn.ReLU() #因为他里边也没有权重需要更新，所以要一个就行了，单纯的算个数 self.sigmoid = torch.nn.Sigmoid() def forward(self,x):##构建一个计算图，就像上面图片画的那样 x = self.sigmoid(self.linear1(x)) x = self.sigmoid(self.linear2(x))##将上面一行的输出作为输入 x = self.sigmoid(self.linear3(x)) return x model=Model()##实例化模型 criterion=torch.nn.BCELoss(size_average=True) #model.parameters()会扫描module中的所有成员， # 如果成员中有相应权重，那么都会将结果加到要训练的参数集合上 optimizer=torch.optim.SGD(model.parameters(),lr=0.1) for epoch in range(100): y_pred=model(x_data) loss=criterion(y_pred,y_data) print(epoch,loss.item()) #反向传播 optimizer.zero_grad() loss.backward() #Updata optimizer.step() # 如果想查看某些层的参数，以神经网络的第一层参数为例，可按照以下方法进行。 # 第一层的参数： 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)
