python pytorch使用

import matplotlib.pyplot as plt

import torch

import numpy as np

epoch_list=[]

loss_list=[]

class Model(torch.nn.Module):

    def __init__(self):

        super(Model,self).__init__()

        #第一个线性模型：输入的样本特征为8个，输出的特征为6

        '''

        w和b的维度，自然就定了：

        y_pred=wx+b

        y_(n*6)=x_(n*8)*w+b

        w=8*6

        b=1*6最后广播机制，复制成n*6

        '''

        self.linear1=torch.nn.Linear(8, 6)

        #第二个线性模型：输入样本特征为上层的输出特征数6，输出特征数为4

        self.linear2=torch.nn.Linear(6, 4)

         #第三个线性模型：输入样本特征为上层的输出特征数6，输出特征数为4

        self.linear3=torch.nn.Linear(4, 1)

        #torch.nn.Sigmoid是个Module，也是继承torch.nn.Module，但是由于没有参数，故只定义一个即可，作为一个层，区分层标志为非线性激活函数，卷积层也是线性的

        self.sigmoid=torch.nn.Sigmoid()

        self.activate=torch.nn.ReLU()

    def forward(self,x_data):

        '''

        只用一个x_data变量，虽然是有很多层，但是为了防止写错和节省内存

        激活函数作为一个层，区分层标志为非线性激活函数，卷积层也是线性的

        '''

        '''

        #x_data_2 第一层输出，也是第二层输入

        x_data=self.sigmoid(self.linear1(x_data))

        #x_data_3 第二层输出，也是第三层输入

        x_data=self.sigmoid(self.linear2(x_data))

        #y_pred

        x_data=self.sigmoid(self.linear3(x_data))

        '''

        #x_data_2 第一层输出，也是第二层输入

        x_data=self.activate(self.linear1(x_data))

        #x_data_3 第二层输出，也是第三层输入

        x_data=self.activate(self.linear2(x_data))

        #y_pred

        x_data=self.sigmoid(self.linear3(x_data))

        return x_data

model=Model()

#因为一般的显卡只支持32位浮点数，所以不用double64位

data = np.loadtxt('D:\BaiduNetdiskDownload\PyTorch深度学习实践\diabetes.csv.gz',delimiter=',',dtype=np.float32)

x_data=torch.from_numpy(data[:,:-1])

y_data=torch.from_numpy(data[:,[-1]])

criterion=torch.nn.BCELoss(size_average=True)

optimizer=torch.optim.SGD(model.parameters(),lr=0.1)

for epoch in range(1000):

    #前馈

    #y_pred是张量

    y_pred = model(x_data)

    #loss是数据为一个标量的张量

    loss = criterion(y_pred, y_data)

    epoch_list.append(epoch)

    loss_list.append(loss.item())

     #把所有参数的梯度都归零

    optimizer.zero_grad()

     #进行反向传播，计算loss对参数的梯度

    loss.backward()

     #更新参数

    optimizer.step()

print(loss_list[-1])

plt.plot(epoch_list, loss_list)

plt.ylabel("losss")

plt.xlabel("epoch")

plt.show()