使用 PyTorch 构建多层神经网络模型进行 HIV 状态预测

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd

# 读取 Excel 表格
data = pd.read_excel('C:\Users\lenovo\Desktop\HIV\DNN神经网络测试\data1.xlsx')
x = data.iloc[:, 1:].values  # 取除第一列以外的所有列，即基因的表达量
y = data.iloc[:, 0].values  # 取第一列，即患者状态标志 state

# 定义第一个模型，输出为 8 分类
class Model1(nn.Module):
    def __init__(self):
        super(Model1, self).__init__()
        self.fc1 = nn.Linear(16, 128)
        self.fc2 = nn.Linear(128, 64)
        self.fc3 = nn.Linear(64, 32)
        self.fc4 = nn.Linear(32, 16)
        self.fc5 = nn.Linear(16, 8)
        self.dropout = nn.Dropout(0.2)

    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = self.dropout(x)
        x = nn.functional.relu(self.fc2(x))
        x = self.dropout(x)
        x = nn.functional.relu(self.fc3(x))
        x = self.dropout(x)
        x = nn.functional.relu(self.fc4(x))
        x = self.dropout(x)
        x = self.fc5(x)
        return x

# 定义第二个模型，输入为第一个模型的 8 分类输出，输出为 4 分类
class Model2(nn.Module):
    def __init__(self):
        super(Model2, self).__init__()
        self.fc1 = nn.Linear(8, 16)
        self.fc2 = nn.Linear(16, 8)
        self.fc3 = nn.Linear(8, 4)
        self.dropout = nn.Dropout(0.2)

    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = self.dropout(x)
        x = nn.functional.relu(self.fc2(x))
        x = self.dropout(x)
        x = self.fc3(x)
        return x

# 定义第三个模型，第三个模型为二分类模型，输入为第二个模型的 4 分类输出
class Model3(nn.Module):
    def __init__(self):
        super(Model3, self).__init__()
        self.fc1 = nn.Linear(4, 8)
        self.fc2 = nn.Linear(8, 1)
        self.dropout = nn.Dropout(0.2)

    def forward(self, x):
        x = nn.functional.relu(self.fc1(x))
        x = self.dropout(x)
        x = torch.sigmoid(self.fc2(x))
        return x

# 将数据转换为张量
x = torch.tensor(x).float()
y = torch.tensor(y).float().squeeze(0)  # 修改标签 y 的维度

# 定义损失函数和优化器
criterion1 = nn.CrossEntropyLoss()
criterion2 = nn.CrossEntropyLoss()
criterion3 = nn.BCELoss()
model1 = Model1()
optimizer1 = optim.Adam(model1.parameters(), lr=0.001)

# 训练第一个模型
for epoch in range(100):
    optimizer1.zero_grad()
    output1 = model1(x)
    loss1 = criterion1(output1, y.long())
    loss1.backward()
    optimizer1.step()
    acc1 = (output1.argmax(dim=1) == y).float().mean()
    print("Epoch [{}/{}], Loss: {:.4f}, Accuracy: {:.4f}".format(epoch+1, 100, loss1.item(), acc1.item()))


# 训练第二个模型
model2 = Model2()
output1 = model1(x)
output2 = model2(output1)
optimizer2 = optim.Adam(model2.parameters(), lr=0.001)
for epoch in range(100):
    optimizer2.zero_grad()
    loss2 = criterion2(output2, output1.argmax(dim=1).long())
    loss2.backward()
    optimizer2.step()
    acc2 = (output2.argmax(dim=1) == output1.argmax(dim=1)).float().mean()
    print("Epoch [{}/{}], Loss: {:.4f}, Accuracy: {:.4f}".format(epoch+1, 100, loss2.item(), acc2.item()))

# 训练第三个模型
model3 = Model3()
output3 = model3(output2)
optimizer3 = optim.Adam(model3.parameters(), lr=0.001)
for epoch in range(100):
    optimizer3.zero_grad()
    loss3 = criterion3(output3, y)
    loss3.backward()
    optimizer3.step()
    acc3 = ((output3 > 0.5) == y).float().mean()
    print("Epoch [{}/{}], Loss: {:.4f}, Accuracy: {:.4f}".format(epoch+1, 100, loss3.item(), acc3.item()))

# 解决问题：Dimension out of range (expected to be in range of [-1, 0], but got 1)
# 原因：y 的维度为 [样本数, 1]，squeeze(1) 试图去除第二维，导致错误
# 解决：使用 squeeze(0) 去除第一维
y = torch.tensor(y).float().squeeze(0)  # 修改标签 y 的维度

代码解读：

数据读取：从 Excel 文件读取基因表达量数据和患者状态信息。
模型定义：定义三个子模型，分别用于分类基因表达量、分类第一层模型的输出，以及预测最终的 HIV 状态。每个模型包含多个全连接层和 dropout 层，以防止过拟合。
数据转换为张量：将数据转换为 PyTorch 张量以便进行计算。
损失函数和优化器：定义每个模型的损失函数和优化器，分别使用交叉熵损失函数和 Adam 优化器。
模型训练：使用训练数据对每个模型进行训练，并记录每个 epoch 的损失和准确率。
错误解决：代码中出现的 Dimension out of range (expected to be in range of [-1, 0], but got 1) 错误是因为标签 y 的维度为 [样本数, 1]，使用 squeeze(1) 尝试去除第二维导致错误。解决方法是使用 squeeze(0) 去除第一维。

代码示例：

import torch
import torch.nn as nn
import torch.optim as optim
import pandas as pd

# ... 以下代码与上述代码相同 ...

代码运行：

将代码保存为 .py 文件，并在终端运行该文件，即可训练模型并输出每个 epoch 的损失和准确率。

注意事项：

请根据实际情况调整数据文件路径、模型参数和训练参数。
为了提高模型性能，可以尝试调整模型架构、优化器参数、训练数据集等。
建议在训练前将数据进行标准化处理，以提高模型训练效率。
训练完成后，可以对模型进行评估，以测试其性能。

总结：

本代码展示了使用 PyTorch 构建多层神经网络模型进行 HIV 状态预测的基本步骤。通过定义模型、训练模型和评估模型，可以实现对 HIV 状态的预测。该代码可以作为构建更复杂模型的起点，并用于解决实际问题。