20200129-autograd与逻辑回归

torch.autograd

torch.autograd.backward(
	tensor,					#待求导张量
	grad_tensors=None,		#多维度权重
	retain_graph=None,		#保存计算图
	create_graph=False)		#创造导数计算图，用于高阶求导
功能：自动求取梯度

torch.autograd.grad(
	outputs,				#用于求导的张量
	inputs,					#需要梯度的张量
	grad_tensors=None,		#多维度权重
	retain_graph=None,		#保存计算图
	create_graph=False)		#创造导数计算图，用于高阶求导
功能：自动求取梯度

tips：

1. 梯度不自动清零，需要用如下代码清零

tensor.grad.zero_()		#下划线表原地操作

3. 依赖于叶子结点的结点，requires_grad默认为True
4. 叶子结点不可执行in-place（原地操作）

逻辑回归

逻辑回归是线性的二分类模型
表达式：y=f(Wx+b)，f为sigmod函数，也称为logistics函数
取值范围为0,1，可设阈值为0.5，当y>0.5时类别为0，当y≤0.5时类别为1

线性回归是分析自变量x与因变量y（标量）之间关系的方法
逻辑回归是分析自变量x与因变量y（概率）之间关系的方法

逻辑回归又称对数几率回归

机器学习模型训练步骤
迭代训练：数据（数据采集、数据划分、数据清洗）
–>模型（线性模型、NN模型）
–>损失函数（线性模型中采用均方差，分类任务可采用交叉熵）
–>优化器