1.数据集：

传送门：内含刘老师讲课视频PPT及相关数据集，本文所用数据集名为diabetes.cvs.gz

链接：https://pan.baidu.com/s/1vZ27gKp8Pl-qICn_p2PaSw
提取码：cxe4

其中，x1，，，x8表示不同特征，y表示分类。

2.模型：

刘老师视频中采用以上模型，本文线性层输出特征改为4，2，1，其他保持不变。

loss:BCELoss

optimizer:SGD

3.python代码：

本文采用pytorch定义的Dataset,DataLoader,以Minibatch的风格加载数据集

import numpy as np
import torch
from torch import nn
from torch.nn import Linear, BCELoss
from torch.optim import SGD
import matplotlib.pyplot as plt

# 准备DataSet,DataLoader
from torch.utils.data import Dataset, DataLoader

# 数据集路径名
path = "diabetes.csv.gz"


# 数据集类
class dataset(Dataset):
    def __init__(self, path):
        # 因为数据集较小，直接加载在内存里
        xy = np.loadtxt(path, delimiter=',', dtype=np.float32)
        self.length = xy.shape[0]
        self.x_data = torch.from_numpy(xy[:, :-1])
        self.y_data = torch.from_numpy(xy[:, [-1]])

    def __getitem__(self, item):
        return self.x_data[item], self.y_data[item]

    def __len__(self):
        return self.length


# 数据集类实例化
my_dataset = dataset(path)

train_loader = DataLoader(my_dataset, batch_size=10, shuffle=True)


# 建立模型，3个线性层，3个sigmoid非线性激活函数
class model(nn.Module):
    def __init__(self):
        super(model, self).__init__()
        self.linear1 = Linear(8, 4, bias=True)
        self.linear2 = Linear(4, 2, bias=True)
        self.linear3 = Linear(2, 1, bias=True)

    def forward(self, x):
        x = torch.sigmoid(self.linear1(x))
        x = torch.sigmoid(self.linear2(x))
        x = torch.sigmoid(self.linear3(x))
        return x


# 类实例化
my_model = model()

# 二分类问题，继续采用BCELoss
loss_cal = BCELoss(size_average=True)

# 随机梯度下降
optimizer = SGD(my_model.parameters(), lr=0.01)

# 空列表
epoch_list = []
loss_list = []

for epoch in range(100000):
    for data in train_loader:
        x, y = data
        epoch_list.append(epoch)
        # 前向计算
        y_pred = my_model(x)
        loss = loss_cal(y_pred, y)
        loss_list.append(loss.item())
        # 梯度清零
        optimizer.zero_grad()
        # 反向传播
        loss.backward()
        # 参数调整
        optimizer.step()

# 画出loss随epoch变化曲线图
plt.figure()
plt.plot(epoch_list, loss_list)
plt.xlabel("epoch")
plt.ylabel("loss")
plt.show()

import torch
import numpy as np
from torch import nn
from torch.nn import Module

x_arr=np.squeeze(np.array([np.random.rand(10,1) for i in range(10)]),2)
y_arr=np.array([[np.random.randint(0,2)] for i in range(10)])

x_list_tensor=torch.from_numpy(x_arr).float()
y_list_tensor=torch.from_numpy(y_arr).float()

class model(Module):
 def __init__(self):
  super(model,self).__init__()
  self.linear=nn.Linear(10,1)

 def forward(self,x):
  x=self.linear(x)
  x=torch.sigmoid(x)
  return x

my_model=model()

optimizer=torch.optim.SGD(my_model.parameters(),lr=1e-3,momentum=0.08,weight_decay=0.001)

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

for i in range(1000):
 my_model.train()
 for x,y in zip(x_list_tensor,y_list_tensor):
  y_pred=my_model(x)
  print(x,y,y_pred)
  loss=criterition(y_pred,y)

  optimizer.zero_grad()
  loss.backward()
  optimizer.step()

  print(my_model.linear.weight.data)

4.可视化结果：

随着epoch增加，loss逐渐减小并收敛。

5.以上均为个人学习pytorch基础入门中的基础，浅做记录，如有错误，请各位大佬批评指正！

6.关于问题描述和原理的部分图片参考刘老师的视频课件，本文也是课后作业的一部分，特此附上视频链接，《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili，希望大家都有所进步！