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。