行是样本，列是feather特征：
激活函数：
损失函数和优化器：
写代码步骤：
np.loadtxt()方法：
numpy.loadtxt(fname, dtype=float, comments='#', delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0, encoding='bytes', max_rows=None, *, like=None)
点击查看代码
import torch
import numpy as np
xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)
x_data = torch.from_numpy(xy[:, :-1]) # 所有行，除了最后一列的所有列，构成的矩阵
y_data = torch.from_numpy(xy[:, [-1]]) # 所有行，只包括最后一列的向量
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() #不同于之前的sigmoid，前面py文件中用的sigmoid是torch.nn.functional中的，是一个方法，这里用的是torch.nn.Sigmoid()，是构造了一个我们自己的模块
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()
# 定义损失函数和优化器
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(100):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print('epoch:', epoch, 'loss:', loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()