pytorch 搭建神经网络最简版

数据集为，糖尿病患者各项指标以及是否换糖尿病。

diabetes.csv 训练集

diabetes_test.csv 测试集

import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt
import numpy as np
 
# 注意这里必须写成两维的矩阵
xy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]])
 
 
class Model(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear1 = torch.nn.Linear(8, 6)
        self.linear2 = torch.nn.Linear(6, 4)
        self.linear3 = torch.nn.Linear(4, 2)
        self.linear4 = torch.nn.Linear(2, 1)
        self.sigmoid = torch.nn.Sigmoid()
        self.activate = torch.nn.ReLU()
 
    # __call__() 中会调用这个函数！
    def forward(self, x):
        # x = self.activate(self.linear1(x))
        # x = self.activate(self.linear2(x))
        # x = self.activate(self.linear3(x))
        x = self.sigmoid(self.linear1(x))
        x = self.sigmoid(self.linear2(x))
        x = self.sigmoid(self.linear3(x))
        x = self.sigmoid(self.linear4(x))
 
        return x
 
 
# model为可调用的！ 实现了 __call__()
model = Model()
 
# 指定损失函数
# criterion = torch.nn.MSELoss(size_average=Flase)  # True
# criterion = torch.nn.MSELoss(reduction='sum')  # sum：求和 mean：求平均
criterion = torch.nn.BCELoss(size_average=True)  # 二分类交叉熵损失函数
 
# -- 指定优化器（其实就是有关梯度下降的算法，负责），这里将优化器和model进行了关联
# optimizer = torch.optim.SGD(model.parameters(), lr=0.1)
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)  # 这个用这个很准啊，其他得根本不行啊
# optimizer = torch.optim.Rprop(model.parameters(), lr=0.01)
 
 
for epoch in range(5000):
    y_pred = model(x_data)  # 直接把整个测试数据都放入了
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())
    optimizer.zero_grad()  # 会自动找到所有的w和b进行清零！优化器的作用 （为啥这个放到loss.backward()后面清零就不行了呢？）
    loss.backward()
    optimizer.step()  # 会自动找到所有的w和b进行更新，优化器的作用！
 
#  测试
xy = np.loadtxt('diabetes_test.csv', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, -1])
 
x_test = torch.Tensor(x_data)
y_test = model(x_test)  # 预测
print('y_pred = ', y_test.data)
 
# 对比预测结果和真实结果
for index, i in enumerate(y_test.data.numpy()):
    if i[0] > 0.5:
        print(1, int(y_data[index].item()))
    else:
        print(0, int(y_data[index].item()))

从代码看出，从一开始数据特征维度为8维，通过一层层的降维最终输出一维数据（输入虽然是多维，但是输出是一维一个概率值，仍然是个二分类问题）

如： Linear(8, 6)  表示输入特征是8维，输出特征6维。此时考虑的维度是列（未知数个数）。不考虑行的维度的，因为行的维度表示的是样本的个数，而对于pythroch的函数，样本个数是无所谓的，一个也行，一堆也罢，它只关心列的维度。

最终代码构建的模型如下：（我代码里是多构建了一层，大家也可以多尝试）

这里注意，虽然这里叫Linear Layer，但是其实，它里面是套了一个激活函数的，所以其实是非线性的，如果是线性的也就不叫神经网络 

 其他的激活函数也可以多试试：

欢迎大家将自己的设置发到评论区。看看大家预测的效果如何。

目前还没有对数据进行小批量处理，后续加上。 

---

参考资料：

《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibilihttps://www.bilibili.com/video/BV1Y7411d7Ys?p=8&vd_source=eb730c561c03cdaf7ce5f40354ca252c

数据集资源：

博客：pytorch搭建神经网络最简版配套资源-数据集文档类资源-CSDN文库