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。最后一排的外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sigema函数进行二分类，就像这样：

 当然在真正编程的时候是以矩阵乘法的形式进行运算的，也就是一次能算多个样本的值，具体的推导过程大家可以看刘老师的教学视频，这里就不写了。根据数据集，我们需要构造一个从八维到一维的计算图，就是这样：

import numpy as np
import torch
from torch import nnxy=np.loadtxt("CIFAdata/diabetes.csv.gz",delimiter=",",dtype=np.float32)
x_data=torch.from_numpy(xy[:,:-1])
print(x_data)
#[-1] 表示要拿出一个矩阵
y_data=torch.from_numpy(xy[:,[-1]])
print(y_data)class Model(nn.Module):def __init__(self):##构造函数super(Model, self).__init__()#8维转为6维self.linear1 = torch.nn.Linear(8,6)self.linear2 = torch.nn.Linear(6, 4)self.linear3 = torch.nn.Linear(4, 1)#激活函数# self.active=torch.nn.ReLU()#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self.sigmoid = torch.nn.Sigmoid()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 x
model=Model()##实例化模型criterion=torch.nn.BCELoss(size_average=True)
#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)for epoch in range(100):y_pred=model(x_data)loss=criterion(y_pred,y_data)print(epoch,loss.item())#反向传播optimizer.zero_grad()loss.backward()#Updataoptimizer.step()# 如果想查看某些层的参数，以神经网络的第一层参数为例，可按照以下方法进行。
# 第一层的参数：
layer1_weight = model.linear1.weight.data
layer1_bias = model.linear1.bias.data
print("layer1_weight", layer1_weight)
print("layer1_weight.shape", layer1_weight.shape)
print("layer1_bias", layer1_bias)
print("layer1_bias.shape", layer1_bias.shape)