1. 加載數(shù)據(jù)集

這次我們搭建一個(gè)小小的多層線性網(wǎng)絡(luò)對(duì)糖尿病的病例進(jìn)行分類

首先先導(dǎo)入需要的庫(kù)文件

先來(lái)看看我們的數(shù)據(jù)集

觀察可以發(fā)現(xiàn)，前八列是我們的feature ，根據(jù)這八個(gè)特征可以判斷出病人是否得了糖尿病。所以最后一列是1，0 的一個(gè)二分類問(wèn)題

我們使用numpy 去導(dǎo)入數(shù)據(jù)集，delimiter 是定義分隔符，這里我們用逗號(hào)(,)分割

將前八列的特征放到我們的x_data里面，作為特征輸入，最后一列放到y(tǒng)_data作為label

Tip ：這里y_data 里面的 [-1] 中括號(hào)不可以省略，否則y_data會(huì)變成向量的形式

如果不習(xí)慣這種寫法，可以用view改變一下形狀就行

y_data = torch.from_numpy(xy[:,-1]).view(-1,1) #將y_data 的代碼改成這樣就可以了

下面是xy , x_data , y_data 打印出前兩行的結(jié)果

2. 搭建網(wǎng)絡(luò)+優(yōu)化器

搭建網(wǎng)絡(luò)的時(shí)候，要保證兩層網(wǎng)絡(luò)之間的維數(shù)能對(duì)應(yīng)上

首先第一層的時(shí)候，因?yàn)榍鞍肆凶鳛槲覀兊膞_data ，也就是說(shuō)我們輸入的特征是 8 維度的，那么由于 y = x * wT + b ，因?yàn)檩斎霐?shù)據(jù)的x是(n * 8) 的，而我們定義的y維度是(n * 6) ，所以wT的維度應(yīng)該是(8,6)

這里不需要知道啥時(shí)候轉(zhuǎn)置，啥時(shí)候不轉(zhuǎn)置之類的，只要滿足線性的方程y = w*x+b，并且維度一致就行了。因?yàn)椴还苁寝D(zhuǎn)置，或者w和x誰(shuí)在前，只是為了保證滿足矩陣相乘而已

一個(gè)小的技巧就是：只需要看輸入特征是多少，然后保證第一層第一個(gè)參數(shù)對(duì)應(yīng)就行了，然后第一層第二個(gè)參數(shù)是想輸出的維度。其次是第二層的第一個(gè)參數(shù)對(duì)應(yīng)第一層第二個(gè)參數(shù)，以此類推....

我們采用的激活函數(shù)是ReLU ， 由于是二元分類，最后一個(gè)網(wǎng)絡(luò)的輸出我們采用sigmoid輸出

接下來(lái)，搭建實(shí)例化我們的網(wǎng)絡(luò)，然后建立優(yōu)化器

這里我們選擇SGD隨機(jī)梯度下降算法，學(xué)習(xí)率設(shè)置為0.01

3. 訓(xùn)練網(wǎng)絡(luò)

訓(xùn)練網(wǎng)絡(luò)的過(guò)程較為簡(jiǎn)單，大概的過(guò)程為

1. 計(jì)算預(yù)測(cè)值

2. 計(jì)算損失函數(shù)

3. 反向傳播，之前要進(jìn)行梯度清零

4. 梯度更新

5. 重復(fù)這個(gè)過(guò)程，epoch 為所有樣本計(jì)算一次的周期，這次讓epoch 迭代1000次

4. 代碼

import torch.nn as nn    # 神經(jīng)網(wǎng)絡(luò)庫(kù)
import matplotlib.pyplot as plt  # 繪圖
import torch        # 張量
from torch import optim  # 優(yōu)化器庫(kù)
import numpy as np          # 數(shù)據(jù)處理
xy = np.loadtxt('./diabetes.csv.gz',delimiter=',',dtype=np.float32)    # 加載數(shù)據(jù)集
x_data = torch.from_numpy(xy[:,:-1])  # 所有行，除了最后一列的元素
y_data = torch.from_numpy(xy[:,-1]).view(-1,1) # -1也能拿出來(lái)是向量，但是[-1]會(huì)保證拿出來(lái)的是個(gè)矩陣
epoch_list =[]
loss_list = []
class Model(nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.linear1 = nn.Linear(8,6)
        self.linear2 = nn.Linear(6,3)
        self.linear3 = nn.Linear(3,1)
        self.sigmoid = nn.Sigmoid()
        self.relu = nn.ReLU()
    def forward(self,x):
        x = self.relu(self.linear1(x))
        x = self.relu(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        return x
model = Model()
criterion = nn.BCELoss()
optimizer = optim.SGD(model.parameters(),lr =0.01)
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)   # 計(jì)算損失
    if epoch % 100 ==0:   # 每隔100次打印一下
        print(epoch,loss.item())
    #back propagation
    optimizer.zero_grad()    # 梯度清零
    loss.backward()          # 反向傳播
    optimizer.step()         # 梯度更新
    epoch_list.append(epoch)
    loss_list.append(loss.item())
plt.plot(epoch_list,loss_list)
plt.show()

輸出結(jié)果為：

到此這篇關(guān)于Python線性網(wǎng)絡(luò)實(shí)現(xiàn)分類糖尿病病例的文章就介紹到這了,更多相關(guān)Python線性網(wǎng)絡(luò)內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論