处理多维数据特征的输入
关于一维特征的输入（也就是只有一个x）应该如何处理？比如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Y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sigmoid函数进行二分类，就像这样：
import torchimport torch.nn.functional as Fimport numpy as npimport matplotlib.pyplot as pltfrom sklearn import datasetsxy=np.loadtxt('./data/Diabetes_class.csv.gz',delimiter=',',dtype=np.float32)#加载训练集合x_data = torch.from_numpy(xy[:,:-1])#取前八列y_data = torch.from_numpy(xy[:,[-1]])#取最后一列test =np.loadtxt('./data/test_class.csv.gz',delimiter=',',dtype=np.float32)#加载测试集合，这里我用数据集的最后一个样本做测试，训练集中没有最后一个样本test_x = torch.from_numpy(test)class Model(torch.nn.Module): def __init__(self):#构造函数 super(Model,self).__init__() self.linear1 = torch.nn.Linear(8,6)#8维到6维 self.linear2 = torch.nn.Linear(6, 4)#6维到4维 self.linear3 = torch.nn.Linear(4, 1)#4维到1维 self.sigmoid = torch.nn.Sigmoid()#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 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 xmodel = Model()#实例化模型criterion = torch.nn.BCELoss(size_average=False)#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)#lr为学习率，因为0.01太小了，我改成了0.1for epoch in range(1000): #Forward y_pred = model(x_data) loss = criterion(y_pred,y_data) print(epoch,loss.item()) #Backward optimizer.zero_grad() loss.backward() #update optimizer.step()y_pred = model(x_data)print(y_pred.detach().numpy())y_pred2 = model(test_x)print(y_pred2.data.item())