笔记来源于B站up主,@刘二大人
此讲内容与之前有所不同,一个是线性回归问题,一个是二分类问题
之前我们一直在利用网络生成这条曲线
采用的是均方误差损失MSELoss:,计算的是相同输入下,y_hat和y输出的差值
sigmoid函数:,可以将输出限制到0-1之间,变成一个概率分布
x = [1,2,3]
y = [0,0,1]
表示实际中的问题是,当复习时长小于3小时候的时候考试成绩为不合格;3小时是分界线,大于3小时候的时候考试成绩合格。合格为1,不合格为0
由于是判断合格与否的二分类问题,所以采用二分类交叉熵损失BCELoss:
随机梯度下降法SGD更新权重w:
代码如下:
import torch
import numpy as np
import matplotlib.pyplot as plt
# import torch.nn.functional as F
# 准备数据集
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
# 用类方法定义模型
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1)
def forward(self, x):
# y_pred = F.sigmoid(self.linear(x))新版本已经弃用
y_pred = torch.sigmoid(self.linear(x))
return y_pred
model = LogisticRegressionModel()
# 创建损失函数和优化器
# size_average=False的话,loss将进行累加,默认为取均值
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
x = np.linspace(0,10,200)
x_t = torch.Tensor(x).view((200,1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x,y)
plt.plot([0,10],[0.5,0.5],c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()
输出结果:
从图像中可以看到,2h不合格,3h合格,当时间为x=2.5时候y=0.5,正好卡在合格和不合格之间
部分代码解读:
optimizer.step()是PyTorch中优化器对象的一个方法,用于更新模型的参数。在训练深度神经网络的过程中,我们需要通过反向传播算法计算每一个参数对损失函数的梯度,然后使用优化器更新参数,使得损失函数最小化。而optimizer.step()方法就是用于执行参数更新的。
具体来说,当我们调用optimizer.step()时,优化器会根据每个参数的梯度和学习率等超参数来更新模型的参数。通常使用随机梯度下降(SGD)或其变体(如Adam)来更新参数。更新后的参数可以通过模型对象的.parameters()方法来获取。
需要注意的是,每次调用step()方法之前,我们需要手动将每个参数的梯度清零,以避免梯度累加。这可以通过优化器的.zero_grad()方法来实现。
总结一下,optimizer.step()方法的作用是将每个参数的梯度和学习率等超参数结合起来,更新模型的参数,从而最小化损失函数。
原文链接:optimizer.step()代表什么意思_optim.step()-CSDN博客https://blog.csdn.net/qq_36693723/article/details/130320768
torch.sigmoid()
: 这是一个直接的函数调用,适用于任何需要计算Sigmoid函数的情况。这个函数接受一个张量作为输入,并返回一个新的张量,其中包含输入张量中每个元素的Sigmoid值。
torch.nn.Sigmoid()
: 这是一个类定义,通常用在定义神经网络模型的类中,作为一个层来使用。这个类创建了一个可调用的对象,当调用这个对象时,会计算输入张量的Sigmoid值。