pytorch 神经网络套路 实现一维输入特征的二分类

1.问题描述：

x表示学习时长，y表示能否通过考核。预测学习时长为4时，能否通过考试。

2.模型，损失函数，优化器：

模型：线性模型，y_pred=wx+b或y_pred=wx,偏置可以在建立模型时选择bias=True

损失函数：

优化器：SGD随机梯度下降

 3.python代码：

import numpy as np
import torch
from torch import nn
import matplotlib.pyplot as plt
from torch import optim
from torch.nn import Linear, BCELoss

# 准备数据集,注意最外层两个方括号，Tensor类型
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])


# 建立模型，线性+sigmoid
class model(nn.Module):
    def __init__(self):
        super(model, self).__init__()
        self.linear = Linear(1, 1)

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


#类实例化
my_model = model()

#二分类问题，BCELoss
loss_cal = BCELoss(size_average=True)

#创建优化器
optimizer = optim.SGD(my_model.parameters(), lr=0.01)


for epoch in range(10000):

    #前向计算
    y_pred = my_model(x_data)

    loss = loss_cal(y_pred, y_data)

    #梯度清零
    optimizer.zero_grad()

    #反向传播
    loss.backward()

    #参数调整
    optimizer.step()


#测试用例
x_test = np.linspace(1, 10, 200)
x_test1 = torch.Tensor(x_test).view(200, 1)
y_test1 = my_model(x_test1)
y_test = y_test1.data.numpy()
plt.figure()
plt.plot(x_test, y_test)
plt.plot([1, 10], [0.5, 0.5])
plt.xlabel("time used to study pytorch")
plt.ylabel("possibility of passing exams")
plt.show()

4.可视化结果：

 x表示学习时长，蓝线表示通过的概率，可以看到，学习时间越长，通过的概率越高。

（疯狂内涵）

5.以上均为个人学习pytorch基础入门中的基础，浅做记录，如有错误，请各位大佬批评指正！

6.关于问题描述和原理的部分图片参考刘老师的视频课件，本文也是课后作业的一部分，特此附上视频链接，《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili，希望大家都有所进步！