Pytorch学习笔记（五）逻辑回归实现

最新推荐文章于 2023-04-01 10:20:09 发布

xinxihu

最新推荐文章于 2023-04-01 10:20:09 发布

阅读量322

点赞数

分类专栏： PyTorch 机器学习-python 文章标签： pytorch 学习逻辑回归

本文链接：https://blog.csdn.net/huwanting/article/details/124908161

版权

机器学习-python 同时被 2 个专栏收录

6 篇文章 0 订阅

订阅专栏

PyTorch

5 篇文章 0 订阅

订阅专栏

该博客通过PyTorch实现了一个简单的逻辑回归模型，用于二分类问题。首先生成了两类样本数据，然后定义了逻辑回归网络结构，选用二分类交叉熵作为损失函数，使用随机梯度下降优化器进行训练。在训练过程中，每20次迭代绘制一次模型的分类边界及当前准确率，直至准确率达到99%以上。

摘要由CSDN通过智能技术生成

代码来自深度之眼课程

# @author     : tingsongyu

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
torch.manual_seed(10)

# ============================ step 1/5 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 2/5 选择模型 ============================
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

lr_net = LR()   # 实例化逻辑回归模型

# torch.nn是包含了构筑神经网络结构基本元素的包，在这个包中，可以找到任意的神经网络层。
# 这些神经网络层都是nn.Module这个大类的子类。
# torch.nn.Linear就是神经网络中的线性层，可以实现形如y=Xweight^T+b的加和功能。
# torch.nn.Linear(in_features, out_features, bias=True)
# 参数说明如下：
# in_features: 输入样本的特征数量
# out_features: 输出样本的特征数量
# bias: 偏执, 默认值为 True

# ============================ step 3/5 选择损失函数 ============================
loss_fn = nn.BCELoss()  # 二分类交叉熵损失函数

# ============================ step 4/5 选择优化器   ============================
lr = 0.01  # 学习率
optimizer = torch.optim.SGD(lr_net.parameters(), lr=lr, momentum=0.9)
# SGD，随机梯度下降，每次迭代只需一个样本
# momentum，“动量”，如果本次和上次的梯度符号相同，则加速下降；如果梯度符号相反，那么相互抑制，减缓震荡，
# 在局部最优点时，它可以借助动量跳出来，不易陷入局部最优点。

# ============================ step 5/5 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

        # 画出两类数据
        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')

        # Linear层参数：w,b
        w0, w1 = lr_net.features.weight[0]
        w0, w1 = float(w0.item()), float(w1.item())
        plot_b = float(lr_net.features.bias[0].item())
        # 为了画分类线，生成坐标点
        plot_x = np.arange(-6, 6, 0.1)
        plot_y = (-w0 * plot_x - plot_b) / w1

        plt.xlim(-5, 7)
        plt.ylim(-7, 7)
        plt.plot(plot_x, plot_y)  # 画分类线

        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