import matplotlib.pyplot as plt
import torch
import numpy as np
epoch_list=[]
loss_list=[]
class Model(torch.nn.Module):

def __init__(self):    super(Model,self).__init__()    #第一个线性模型：输出的样本特色为8个，输入的特色为6    '''    w和b的维度，天然就定了：    y_pred=wx+b    y_(n*6)=x_(n*8)*w+b    w=8*6    b=1*6最初播送机制，复制成n*6    '''    self.linear1=torch.nn.Linear(8, 6)    #第二个线性模型：输出样本特色为下层的输入特色数6，输入特色数为4    self.linear2=torch.nn.Linear(6, 4)     #第三个线性模型：输出样本特色为下层的输入特色数6，输入特色数为4    self.linear3=torch.nn.Linear(4, 1)    #torch.nn.Sigmoid是个Module，[PayPal下载](https://www.gendan5.com/wallet/PayPal.html)也是继承torch.nn.Module，然而因为没有参数，故只定义一个即可，作为一个层，辨别层标记为非线性激活函数，卷积层也是线性的    self.sigmoid=torch.nn.Sigmoid()    self.activate=torch.nn.ReLU()def forward(self,x_data):    '''    只用一个x_data变量，尽管是有很多层，然而为了避免写错和节俭内存    激活函数作为一个层，辨别层标记为非线性激活函数，卷积层也是线性的    '''    '''    #x_data_2 第一层输入，也是第二层输出    x_data=self.sigmoid(self.linear1(x_data))    #x_data_3 第二层输入，也是第三层输出    x_data=self.sigmoid(self.linear2(x_data))    #y_pred    x_data=self.sigmoid(self.linear3(x_data))    '''    #x_data_2 第一层输入，也是第二层输出    x_data=self.activate(self.linear1(x_data))    #x_data_3 第二层输入，也是第三层输出    x_data=self.activate(self.linear2(x_data))    #y_pred    x_data=self.sigmoid(self.linear3(x_data))    return x_data

model=Model()

因为个别的显卡只反对32位浮点数，所以不必double64位

data = np.loadtxt('D:\BaiduNetdiskDownload\PyTorch深度学习实际\diabetes.csv.gz',delimiter=',',dtype=np.float32)
x_data=torch.from_numpy(data[:,:-1])
y_data=torch.from_numpy(data[:,[-1]])
criterion=torch.nn.BCELoss(size_average=True)
optimizer=torch.optim.SGD(model.parameters(),lr=0.1)
for epoch in range(1000):

#前馈#y_pred是张量y_pred = model(x_data)#loss是数据为一个标量的张量loss = criterion(y_pred, y_data)epoch_list.append(epoch)loss_list.append(loss.item()) #把所有参数的梯度都归零optimizer.zero_grad() #进行反向流传，计算loss对参数的梯度loss.backward() #更新参数optimizer.step()

print(loss_list[-1])
plt.plot(epoch_list, loss_list)
plt.ylabel("losss")
plt.xlabel("epoch")
plt.show()