与上一篇单维度特征输入不同的是，本篇输入特征有8维，但输出特征仍为1维。

仍然是进行分类操作。

处理多维度特征输入的办法是增加神经网络层数，本篇采用3层神经网络。

x1~x8，8维输入。

代码如下：

import numpy as np
import torch
import torch.nn as nn
import matplotlib.pyplot as plt

#1.准备数据集
xy = np.loadtxt('PyTorch深度学习实践/diabetes.csv.gz', delimiter=',', dtype=np.float32)

x_data = torch.from_numpy(xy[:, :-1])
y_data = torch.from_numpy(xy[:, [-1]]) #[-1]是将输出以矩阵形式保存，而不是向量

#2.定义模型
class Model(torch.nn.Module):
    def __init__(self):
        super(Model,self).__init__()
        self.linear1 = torch.nn.Linear(8, 6)  #输入是8维度，输出是6维度，将8维降为6维
        self.linear2 = torch.nn.Linear(6, 4)  #输入是6维度，输出是4维度，将6维降为4维
        self.linear3 = torch.nn.Linear(4, 1)
        self.sigmoid = torch.nn.Sigmoid()  #最后一层激活函数使用sigmoid，将输出值限制在0~1之间


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

model = Model()

#3.损失函数和优化器
criterion = torch.nn.BCELoss(reduction='mean')
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 存储loss值用于绘图
loss_list = []
epoch_list = []

#4.训练循环
for epoch in range(1000):
    #Forward
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)

    epoch_list.append(epoch)
    loss_list.append(loss.item())  # 记录每轮的loss
    print(epoch, loss.item())

    #Backward
    optimizer.zero_grad()
    loss.backward()

    #Update
    optimizer.step()

# 5. 绘制loss变化图
plt.plot(epoch_list, loss_list)
plt.ylabel('loss')
plt.xlabel('epoch')
plt.show()

运行结果：