PyTorch实现多维度特征输入逻辑回归
时间：2022-10-08 12:55:07 | 栏目：Python代码 | 点击：次
一、实现过程
1、准备数据
本文数据采取文献[1]给出的数据集，该数据集前8列为特征，最后1列为标签(0/1)。本模型使用pandas处理该数据集，需要注意的是，原始数据集没有特征名称，需要自己在第一行添加上去，否则，pandas会把第一行的数据当成特征名称处理，从而影响最后的分类效果。
代码如下：
# 1、准备数据
import torch
import pandas as pd
import numpy as np
xy = pd.read_csv('G:/datasets/diabetes/diabetes.csv',dtype=np.float32) # 文件路径
x_data = torch.from_numpy(xy.values[:,:-1])
y_data = torch.from_numpy(xy.values[:,[-1]])
2、设计模型
本文采取文献[1]的思路，激活函数使用ReLU，最后一层使用Sigmoid函数，
代码如下：
class Model(torch.nn.Module): def __init__(self): super(Model,self).__init__() self.linear1 = torch.nn.Linear(8,6) self.linear2 = torch.nn.Linear(6,4) self.linear3 = torch.nn.Linear(4,1) self.activate = torch.nn.ReLU() def forward(self, x): x = self.activate(self.linear1(x)) x = self.activate(self.linear2(x)) x = torch.sigmoid(self.linear3(x)) return x model = Model()
将模型和数据加载到GPU上，代码如下：
### 将模型和训练数据加载到GPU上
# 模型加载到GPU上
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model.to(device)
# 数据加载到GPU上
x = x_data.to(device)
y = y_data.to(device)
3、构造损失函数和优化器 criterion = torch.nn.BCELoss(reduction='mean') optimizer = torch.optim.SGD(model.parameters(),lr=0.1)
4、训练过程
epoch_list = [] loss_list = [] epochs = 10000 for epoch in range(epochs): # Forward y_pred = model(x) loss = criterion(y_pred, y) print(epoch, loss) epoch_list.append(epoch) loss_list.append(loss.data.item()) # Backward optimizer.zero_grad() loss.backward() # Update optimizer.step()
5、结果展示
查看各个层的权重和偏置：
model.linear1.weight,model.linear1.bias model.linear2.weight,model.linear2.bias model.linear3.weight,model.linear3.bias
损失值随迭代次数的变化曲线：
# 绘图展示
plt.plot(epoch_list,loss_list,'b')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.grid()
plt.show()
最终的损失和准确率：
# 准确率
y_pred_label = torch.where(y_pred.data.cpu() >= 0.5,torch.tensor([1.0]),torch.tensor([0.0]))
acc = torch.eq(y_pred_label, y_data).sum().item()/y_data.size(0)
print("loss = ",loss.item(), "acc = ",acc)
loss = 0.4232381284236908 acc = 0.7931488801054019