Pytorch框架学习（4）——autograd与逻辑回归

autograd与逻辑回归

1. torch.autograd自动求导系统

• torch.autograd.backward
• 功能：自动求取梯度
  • tensors：用于求导的张量，如loss
  • retain_graph：保存计算图
  • create_graph：创建导数计算图，用于高阶求导
  • grad_tensors：多梯度权重（当有多个loss需要计算梯度时，需要设置各个loss之间的权重比例）

        w = torch.tensor([1.], requires_grad=True)
        x = torch.tensor([2.], requires_grad=True)

        a = torch.add(w, x)
        b = torch.add(w, 1)

        y0 = torch.mul(a, b)
        y1 = torch.add(a, b)

        loss = torch.cat([y0, y1], dim=0)
        grad_tensors = torch.tensor([1., 2.])

        loss.backward(gradient=grad_tensors) # gradient传入torch.autograd.backward()中的grad_tensors

        print(w.grad)

这里设置y0的权重为1，y1的权重为2。因此w的梯度为y0对w的梯度乘以1，加上y1对w的梯度乘以2。

tensor([9.])

• torch.autograd.grad
• 功能：求取梯度
  • outputs：用于求导的张量，如loss
  • inputs：想要求取梯度的张量
  • create_graph：创建导数计算图，用于高阶求导
  • retain_graph：保存计算图
  • grad_outputs：多梯度权重

    # 使用torch.autograd.grad计算二阶导数
    flag = True
    # flag = False

    if flag:
        x = torch.tensor([3.], requires_grad=True)
        y = torch.pow(x, 2)

        grad_1 = torch.autograd.grad(y, x, create_graph=True)
        print(grad_1)

        grad_2 = torch.autograd.grad(grad_1[0], x)
        print(grad_2)

结果显示为：这里要保存第一次求导的计算图，因此create_graph设置为True。

(tensor([6.], grad_fn=<MulBackward0>),)
(tensor([2.]),)

• 注意
  1. 梯度不会自动清零，需要手动清零，需要执行grad.zero_()
  2. 依赖于叶子结点的结点，requires_grad为True
  3. 叶子结点不可执行in-place（原位操作）

什么是in-place操作：在原始内存当中改变数据，我们通过下面的例子来看一下

    a = torch.ones((1, ))
    print(id(a), a)

    a = a + torch.ones((1, ))
    print(id(a), a)

    b = torch.ones((1, ))
    print(id(b), b)

    b += torch.ones((1, ))
    print(id(b), b)

执行结果如下所示，第二种运算过程为in-place操作，内存地址不变

1626948320424 tensor([1.])
1625695632480 tensor([2.])
1626948363536 tensor([1.])
1626948363536 tensor([2.])

2. 逻辑回归

• 逻辑回归是线性的二分类模型

• 模型表达式：
  $$y=f(WX+b)$$
  $$f(x)=\frac{1}{1+e^{-x}}$$

• f(x)称为Sigmoid函数，也成为Logistic函数
  Sigmoid函数的作用是将输入的数据映射到0至1之间，恰恰处于概率取值区间，所以输出y可以用于解决二分类问题，通常选择一个阈值。
  

• 线性回归与逻辑回归

  • 线性回归是分析自变量x与因变量y（标量）之间关系的方法
  • 逻辑回归是分析自变量x与因变量y（概率）之间关系的方法

• 逻辑回归也叫作对数几率回归，几率表示y/(1-y)这个分式，表示样本x为正样本的可能性
  

• 机器学习模型训练的五个步骤：
  

"""
    作者：Aidan
    时间：18/01/2020
    功能：逻辑回归模型
"""
import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np


# step 2 模型
class LR(nn.Module):
    def __init__(self):
        super(LR, self).__init__()
        self.features = nn.Linear(2, 1)
        self.sigmoid = nn.Sigmoid()

    def forward(self, x):
        x = self.features(x)
        x = self.sigmoid(x)
        return x

def main():
    torch.manual_seed(10)

    # step 1 生成数据
    sample_nums = 100
    mean_value = 1.7
    bias = 1
    n_data = torch.ones(sample_nums, 2)
    x0 = torch.normal(mean_value * n_data, 1) + bias    # 类别0数据 shape=(100, 2)
    y0 = torch.zeros(sample_nums)                       # 类别0标签 shape=(100, 1)
    x1 = torch.normal(-mean_value * n_data, 1) + bias   # 类别1数据 shape=(100, 2)
    y1 = torch.ones(sample_nums)                        # 类别1标签 shape=(100, 1)
    train_x = torch.cat((x0, x1), 0)
    train_y = torch.cat((y0, y1), 0)

    # step 2 模型

    lr_net = LR()  #实例化逻辑回归模型

    # step 3 选择损失函数，二分类的交叉熵函数
    loss_fn = nn.BCELoss()

    # step 4 选择优化器,随机梯度下降法，设置学习率和momentum
    lr = 0.01
    optimizer = torch.optim.SGD(lr_net.parameters(), lr=lr, momentum=0.9)

    # 模型训练
    for iteration in range(1000):

        # 前向传播
        y_pred = lr_net(train_x)

        # 计算loss
        loss = loss_fn(y_pred.squeeze(), train_y)

        # 反向传播
        loss.backward()

        # 更新参数
        optimizer.step()

        # 清空梯度
        optimizer.zero_grad()

        # 绘图
        if iteration % 20 == 0:
            mask = y_pred.ge(0.5).float().squeeze()     # 以0.5为阈值进行分类
            correct = (mask == train_y).sum()           # 计算正确预测的样本个数
            acc = correct.item() / train_y.size(0)      # 计算分类准确率

            plt.scatter(x0.data.numpy()[:, 0], x0.data.numpy()[:, 1], c='r', label='class 0')
            plt.scatter(x1.data.numpy()[:, 0], x1.data.numpy()[:, 1], c='b', label='class 1')

            w0, w1 = lr_net.features.weight[0]
            w0, w1 = float(w0.item()), float(w1.item())
            plot_b = float(lr_net.features.bias[0].item())
            plot_x = np.arange(-6, 6, 0.1)
            plot_y = (-w0 * plot_x - plot_b) / w1       # 绘制逻辑回归模型

            plt.xlim(-5, 7)
            plt.ylim(-7, 7)
            plt.plot(plot_x, plot_y)

            plt.text(-5, 5, 'Loss=%.4f' % loss.data.numpy(), fontdict={'size': 20, 'color': 'red'})
            plt.title("Iteration: {}\nw0:{:.2f} w1:{:.2f} b: {:.2f} accuracy:{:.2%}".format(iteration, w0, w1, plot_b, acc))
            plt.legend()

            plt.show()
            plt.pause(0.5)

            if acc > 0.99:
                break




if __name__ == '__main__':
    main()