深度学习PyTorch实战（二）

分类问题

线性回归模型通常是处理因变量是连续变量的问题，分类问题 所预测的结果就是离散的类别，输入可以是连续也可以是离散的数据类型，而监督学习从数据中学习一个分类模型或者一个分类决策函数，它被称为分类器，分类器对新输入的数据进行输出预测，这一过程称为分类。例如，判断垃圾邮件，病人是否生病这些经典的二分类问题。逻辑回归（Logistic Regression） 是用于处理因变量为分类变量的回归问题，常见的是二分类或二项分布问题，也可以处理多分类问题，它实际上是属于一种分类方法。具体内容见一下博客总结的不错：逻辑回归

多分类问题

多分类问题处理方式很多，最好理解的以多个二分类器方式实现；另外，进行编码和解码处理进行有监督训练分类模型，如下：
MNIST手写数字识别： 代码运行正常，请确保自己的Pytorch环境正常。
文件1:utils.py

import torch
from matplotlib import pyplot as plt
def plot_curve(data):
    fig = plt.figure()
    plt.plot(range(len(data)), data, color='red')
    plt.legend(['Value'],loc='upper right')
    plt.xlabel('step')
    plt.ylabel('value')
    plt.show()
def plot_image(img,label,name):
    fig = plt.figure()
    for i in range(6):
        plt.subplot(2,3,i+1)
        plt.imshow(img[i][0]*0.3081+0.1307,cmap='gray',interpolation='none')
        plt.title("{}:{}".format(name,label[i].item