输入x有多个特征features，最终得到输出y的类别。

在上一节提到，左边是我们最开始了解的线性回归，右边是我们的logistics回归（返回值为一个离散的集合）。对于本节，就是在logistics回归输入x的基础上让其多一些特征。如下

每一行叫一个sample。每一列叫一个feature。

一：多维度特征模型

计算y_hat模型的变化：

   

根据上图的计算过程，得出我们的代码：

class Model(torch.nn.Module):def __init__(self):super(LogisticRegressionModel,self).__init__()self.linear = torch.nn.Linear(8,1)self.sigmoid = torch.nn.Sigmoid()def forward(self,x):#logistic回归和线性回归就差F.sigmoid这一步的运算 y_pred = F.sigmoid(self.linear(x))#先进行一次线性变换，随后进行sigmoid运算return y_predmodel = Model()

把之前的（1，1）变成（8，1）就可以，为什么是这样，可以看下图 。其实就是把八维的空间向量映射到一维的空间向量上。

维度是可以从高到低，也可以从低到高。

中间的步骤越多，中间的神经元越多，对非线性变化的学习能力就越强（那就好奇，学习能力强不是好事吗？那我直接从最高维一步一步变成最低维就好了）。

其实不然，学习能力越强并不一定是好事，因为学习能力过强，会将我们数据的噪声学会，而噪声是我们不想要的（希望最终的学习能力要有泛化能力）。

二：神经网络的构造

 

最开始输入是八维，通过layer1变成六维，使用Linear（8，6）

变换后的输入是六维，通过layer2变成四维，使用Linear（6，4）

最后使用得到的四维为输入，通过layer3变成一维，使用Linear（4，1）

分层降维可以学到更多的数据特征，但是过多层就会导致过拟合问题出现。

神经网络解决多维数据的分类问题四大步：建立数据集，设计模型，构造损失和优化器，训练。

三：数据集准备

最好准好csv文件，有比较全面的数值。课程所有的所需文件。

链接:https://pan.baidu.com/s/1cUI518pgLWY1oCn2DkjuEQ?pwd=kif1  提取码:kif1

import numpy as np
import torch
xy = np.loadtxt("./dataset/diabetes.csv",delimiter=',',dtype=np.float32)#糖尿病人的相关因素
x_data = torch.from_numpy(xy[:,:-1])#所有行，从第一列开始到最后一列（最后一列不要）
y_data = torch.from_numpy(xy[:,[-1]])#所有行，最后一列（[]是为了保证最后一列是一个矩阵，否则就是一个向量）

 
四：建立模型

以上是模型的建立过程，一下是代码部分：

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.sigmoid = torch.nn.Sigmoid()def forward(self,x):x = self.sigmoid(self.linear1(x))#此时的x为图中的o1x = self.sigmoid(self.linear2(x))#此时的x为图中的o2x = self.sigmoid(self.linear3(x))#此时的x为图中的y_hat#在实际编写时，取前一个结果为当前输入，一系列同样操作时，建议只使用一个变量xreturn xmodel = Model()

五：构造损失和优化器

 

 与上一章没区别，因为损失依然是一个二分类的概率。

criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

五：训练模型 

由于数据量比较多，我们通常使用mini-batch，但是此时我们没使用，后续在DataLoader会使用。

for epoch in range(100):#Forwardy_pred = model(x_data)  #先计算出y_hatloss = criterion(y_pred,y_data) #再计算出lossprint(epoch,loss.item()) #Backwardoptimizer.zero_grad()#在反馈前将梯度清0loss.backward()#反馈#Updataoptimizer.step()#更新

大家可以使用其他的激活函数，我们使用的是sigmoid，下面也列出来了很多的激活函数，大家可以自己尝试使用（ReLU）。