pytorch入门第五课——逻辑斯蒂回归

前言

b站刘洪普老师的pytorch入门课笔记。记录学习。
本文内容为逻辑斯蒂回归示例。

方法

逻辑斯蒂回归函数为：

虽然它的名字中带有回归，但事实上它并不是一种回归算法，而是一种分类算法。它的优点是，它是直接对分类的可能性进行建模的，无需事先假设数据分布，这样就避免了假设分布不准确所带来的问题，因为它是针对于分类的可能性进行建模的，所以它不仅能预测出类别，还可以得到属于该类别的概率。

关于激活函数

一个函数是否是激活函数需要看三点，而逻辑斯蒂曲线就是典型的激活函数。

1、范围[-1,1]
2、单调增
3、饱和函数

饱和函数即其导数符合这样的曲线

jupyter record

与线性回归不同的地方是，前馈过程需要经过一次逻辑斯蒂激活函数将数据归到[0,1]范围内，且这里使用的损失是BCELoss,即交叉熵损失。

import torch
import torch.nn.functional as F

# 第一步，准备数据集
x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[0],[0],[1]])

# 第二步，使用类设计模型，继承自nn.Module
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)
    
    def forward(self,x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred
model = LogisticRegressionModel()

# 第三步，构建损失和优化器
criterion = torch.nn.BCELoss(size_average = False)
optimizer = torch.optim.SGD(model.parameters(),lr = 0.01)

# 第四步，训练阶段：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()

0 2.870121955871582
1 2.852933168411255
2 2.836561918258667
3 2.8209731578826904
4 2.8061323165893555
5 2.7920048236846924
6 2.778557300567627
7 2.765756130218506
8 2.7535696029663086
9 2.7419652938842773
…
991 1.173973560333252
992 1.1733458042144775
993 1.17271888256073
994 1.1720927953720093
995 1.1714673042297363
996 1.1708428859710693
997 1.1702193021774292
998 1.1695961952209473
999 1.1689739227294922

总结

以上就是逻辑斯蒂回归的示例了，其中的四个步骤可以作为一个框架来学习。