刘二大人 Logistic Regression with Pytorch代码实现

Logistic Regression代码实现

---

步骤

引入库

import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt

Prepare dataset

#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]])

Design model using Class

#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，输入维度为1，输出维度为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 = F.sigmoid(self.linear(x))
        #返回预测值
        return y_pred

#实例化模型
model = LogisticRegressionModel()

Construct loss and optimizer

#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)

Training cycle

#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，和损失值，用item设置损失值为标量
    print(epoch,loss.item())
    
    #梯度归零
    optimizer.zero_grad()
    #损失反向传播
    loss.backward()
    #step更新权重
    optimizer.step()

#在线性空间中以均匀步长生成数字序列(在0-10之间取200个点，包括0和10)
x = np.linspace(0, 10, 200) 
#torch.Tensor将x变成张量，view将这个张量变成200行，1列的矩阵
x_t = torch.Tensor(x).view((200, 1))
#将x代入模型求出y
y_t = model(x_t)
#将y里面的数据用numpy提取出来一个数组
y = y_t.data.numpy()
#绘图，设置x,y
plt.plot(x, y)
#设置x轴，y轴的范围，图形颜色
plt.plot([0, 10],[0.5, 0.5], c='r')
#设置横坐标
plt.xlabel('Hours')
#设置纵坐标
plt.ylabel('Probability of Pass')
#显示网格
plt.grid()
#展示图形
plt.show()