PyTorch深度学习实践（b站刘二大人）P6讲 逻辑斯蒂回归 Logistic Regression

1.分类任务的数据集

① The MNIST Dataset：handwritten digits

• Training set: 60,000 examples,
• Test set: 10,000 examples.
• Classes: 10

• import torchvision
  train_set = torchvision.datasets.MNIST(root='../dataset/mnist', train=True, download=True)
  test_set = torchvision.datasets.MNIST(root='../dataset/mnist', train=False, download=True)
  # root：数据集存在哪个位置（如果已经下载下来，指定下载下来的文件夹） train：要训练集还是测试集
  #download：是否要从网上下载

  ② The CIFAR-10 dataset：32×32的彩色小图片

• Training set: 50,000 examples,
• Test set: 10,000 examples.
• Classes: 10（飞机、车、鸟、猫、鹿、狗、青蛙、马、船、卡车）

  import torchvision
  train_set = torchvision.datasets.CIFAR10(root='../dataset/mnist', train=True, download=True)
  test_set = torchvision.datasets.CIFAR10(root='../dataset/mnist', train=False, download=True)
  

  2.分类问题

• 分类问题，与之前学习的线性回归问题不同，输出的是分类的概率值，在训练过程中，计算它属于每一个分类的所有概率，其中概率最大的那一种分类，就是我们要的输出结果。

• 现在我们将之前的学习问题，修改成分类问题，x表示学习时间，y表示通过率，0表示不通过，1表示通过，这也叫做”二分类问题“

• 

 3.逻辑斯蒂回归

 在之前我们的学习中， 最终预测的是一个实数，而针对分类问题，我们要把 输出的实数映射成一个0到1的概率（ [0,1] ），这个映射的过程就是本节课所学的逻辑斯蒂回归，逻辑斯蒂回归利用公式，将实数域的数值映射到 [0，1]范围内的概率。逻辑斯蒂函数的图像如下所示： 

计算概率的方式：将原本计算的实数作为变量输入到逻辑斯蒂函数中，输出的就是映射之后的概率值。 

4.Sigmid Founction（逻辑斯蒂回归函数）

  Sigmid Founction需要满一下三个条件：

1. 函数值有极限
2. 是单调增函数
3. 是饱和函数

     Sigmid Founction中最具有典型性的函数就是逻辑斯蒂函数。其他的一些Sigmid Founction如下图所示：

4.1 模型的改变

      之前学习的函数与逻辑斯蒂回归函数的计算图的区别：可以看出逻辑斯蒂回归函数在计算出之后，还多了一步——通过使用逻辑斯蒂回归函数，把实数值映射到[0，1]的区间中，再输出。

注：（ 一般就代表逻辑斯蒂回归） 

4.2 损失函数的改变（BCE Loss）

之前学习的函数的损失：计算的是两个实数值的差值，是数轴上的距离。

逻辑斯蒂回归函数的损失：输出的是一个分布，需要计算的是两类分布之间的差异，在统计学中的计算方法有——KL散度，cross-entropy（交叉熵）等，这里我们使用的是cross-entropy（交叉熵）方法。

 交叉熵：

                                                       

      这个公式的值表示两个分布之间的差异的大小，值越大，差异越小。在本例中，在公式前加了负号，目的是为了符合我们的平时思维，使Loss越小，差异越小。

      在本例中，是二分类问题， y 的取值只能是0或1，的取值只能  ，Loss函数如下：

 

对于BCE Loss:

1. 当  时，，此时，因为， 函数是单调递增函数，此时 越大，也就是越接近1， 的值越小，差异越小；
2. 当  时，，此时，因为， 函数是单调递增函数，此时 越小，也就是越接近0， 的值越小，差异越小；

3.    = P(calss = 1)        1-   = P(calss = 0) 

如果 y = 0，则表示 y = P(calss = 1) =0，1 - y = P(calss = 0) = 1 

最终我们计算的总和公式如下：

4.3 代码的改变

• def  __init__没有改变：原因是，（逻辑斯蒂回归函数）是一个没有参数的函数，不需要在构造函数中进行初始化，直接调用就可以；

• 数据集的改变：因为是二分类问题， 的取值只能是0或1；

• 模型的改变：由于PyTorch版本更新，不用再导入torch.nn.functional包，可以直接使用包中的Sigmoid函数进行训练，如下图；

 

• 损失函数的改变：不再使用MSE损失函数，改为使用BCE损失函数，由于PyTorch版本更新，将  size_average=False 更改为  reduction='sum'

 

代码如下： 

import torch
import matplotlib.pyplot as plt
import numpy as np

#准备数据集
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[0],[0],[1]])

#设计模型
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel,self).__init__()
        self.liner = torch.nn.Linear(1,1)

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

model = LogisticRegressionModel()

#构造损失函数和优化器
criterion = torch.nn.BCELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

#训练周期（前馈，反馈，更新）
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch,loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 对model进行测试
x = np.linspace(0,10,200)  #0-10之间取200个点
x_t = torch.Tensor(x).view(200,1) #x变成200行 * 1列 的矩阵
y_t = model(x_t)    #张量x_t送到模型里，得到y_t
y = y_t.data.numpy()  #调用.numpy()取出数据y


plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()

参考PyTorch深度学习——逻辑斯蒂回归（分类问题）（B站刘二大人P6学习笔记）_Learning_AI的博客-CSDN博客