PyTorch深度学习实践——6.逻辑斯蒂回归

课程链接：《PyTorch深度学习实践》6.逻辑斯蒂回归

思路：
1、准备数据
2、模型构造
3、损失和优化器
4、循环训练
5、投入模型数据，计算结果

课上示例

示例程序源代码+注释（根据个人理解）

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

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])          # 分类数据

class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):                             # 构造函数与线性模型一样，无其他参数
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))          # F.sigmoid()
        return y_pred

model = LogisticRegressionModel()

criterion = torch.nn.BCELoss(size_average=False)            # 用BCE损失函数：cross-entropy（交叉熵），不需要求均值
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

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()

x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))        # .view() 转换成矩阵
y_t = model(x_t)                        # 将张量送到训练好的模型中，计算结果
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')    # 画出y=0.5时的分界线
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()              # x和y轴的网格线
plt.show()

输出结果：

结论：
可以看到大约在2.5小时左右分为两类：
1、小于2.5小时时，结果为0，意为不通过；
2、大于2.5小时时，结果为1，意为通过考试。