• 样本和特征的概念
• i：样本编号；n：特征编号
• 运用mini-batch，变成矩阵运算，利用GPU的并行计算性能提高计算速度
• nn.Linear(8, 1)表示输入8维，输出1维 nn.Linear用法解释
• 如何用Linear构造一个多线性层的神经网络？ (8, 6)=> (6, 4) => (4, 1)，即分步地降低维度
• 有时候先升维，再降维，是为了引入更多的神经元（参数），能拟合的数据量更大，但也更容易过拟合（记住了样本中的噪声）
• 本算法中torch.nn.Sigmoid() 是将其看作是网络的一层，而不是简单的函数使用，因此不是F.sigmoid
• torch.sigmoid、torch.nn.Sigmoid和torch.nn.functional.sigmoid的区别

课上代码：

import numpy as np
import torch
import torch.nn as nn
import torch.optim as optim

xy = np.loadtxt("diabetes.csv.gz", delimiter=",", dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]]) #[-1] 最后得到的是个矩阵,为了保持x,y均为矩阵形式

class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear1 = nn.Linear(8, 6)
        self.linear2 = nn.Linear(6, 4)
        self.linear3 = nn.Linear(4, 1)
        self.sigmoid = nn.Sigmoid() # 这里的torch.Sigmoid()是网络的一层，而不仅仅是一个函数

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

model = Model()

criterion = nn.BCELoss(reduction='mean')
optimizer = optim.SGD(model.parameters(), lr=0.1)

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

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

print(model.linear1.weight.data) # 查看某层的权重
print(model.linear1.bias.data) #查看某层的偏置