PyTorch深度学习实践代码 第六讲

#引入torch
import torch
#准备数据将数据分为第0类和第1类
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[0],[0],[1]])

#将逻辑回归模型分类，模型继承于Module
class LogisticRegressionModel(torch.nn.Module):
    #初始化自身对象
    def __init__(self):
        #super调用父类初始化器
        super(LogisticRegressionModel,self).__init__()
        #构造一个线性函数，输入输出维度都为1
        self.linear = torch.nn.Linear(1,1)
    #定义前馈过程中的计算
    def forward(self,x):
        #调用逻辑回归和线性函数
        y_pred = torch.sigmoid(self.linear(x))
        #返回y的预测值
        return y_pred
#实例化模型
model = LogisticRegressionModel()

#构造二分类交叉熵求损失。设置降维求和
criterion = torch.nn.BCELoss(reduction='sum')
#优化模块中的SGD优化模型中的所有参数，学习率为0.01
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

#循环1000次
for epoch in range(1000):
    #将x代入模型求y的预测值
    y_pred = model(x_data)
    #将y的预测值和真实值代入损失函数中，求损失值
    loss = criterion(y_pred,y_data)
    #输出循环次数，和