Pytorch深度学习笔记（七）逻辑斯蒂回归_对pytorch的logistics回归总结-CSDN博客

本文链接：https://blog.csdn.net/qq_45981086/article/details/130302505

1. logistic（逻辑斯蒂）函数

2.二分类任务（binary classification）损失函数

3.二分类任务（binary classification）最小批量损失函数

4.逻辑斯蒂回归代码实现

附：pytorch提供的数据集

推荐课程：06.逻辑斯蒂回归_哔哩哔哩_bilibili

回归是对连续变量预测。

分类是对离散变量预测。通过比较分类的概率来判断预测的结果。

回归&分类

以学生学习为例，回归任务：学习时间预测学习成绩，分类任务：学习时间预测通过考试的概率，两个类别标签，通过与不通过，这是一个二分类任务。

逻辑斯蒂回归是一种分类任务。

1. logistic（逻辑斯蒂）函数

这里的x更换为 $\hat{y}$ 。

logistic（逻辑斯蒂）函数：用于线性模型将输出值由实数空间映射到[0,1]之间，以此进行分类。与线性回归模型相比logistic（逻辑斯蒂）回归模型，多增加了一个映射函数。logistics函数使用符号 $\sigma$ 表示。

映射：

注：只要满足饱和函数的规定，都属于sigmoid函数，如logistic（逻辑斯蒂）函数。所以logistic回归有时也叫sigmoid。

2.二分类任务（binary classification）损失函数

也称为BCELoss()函数，二分类交叉熵（cross entorpy）

在二分类任务中， $\hat{y}$ 为class=1的概率， 1- $\hat{y}$ 为class=0的概率。 $ylog\hat{y}$ 为交叉熵表示log前后两个分布概率的差异大小。如果y=0表示class=0的概率为1，class=1的概率为0。如果y=1表示class=1的概率为1，class=0的概率为0。

当y=1时，loss=-log $\hat{y}$ ，表示 $\hat{y}$ 值越大越接近class=1的概率为1的真实分布概率，损失值越小。当y=0时， loss=-log(1 - $\hat{y}$ )，表示 $\hat{y}$ 值越小，class=0的概率越大，越接近class=0的概率为1的真实分布概率，损失值越小。可见下图。

3.二分类任务（binary classification）最小批量损失函数

求损失量均值。

4.逻辑斯蒂回归代码实现

1.数据准备

2.设计模型

3.构造损失函数和优化器

4.训练周期（前馈—>反馈—>更新）

逻辑斯蒂回归完整代码：

import torch
import torch.nn.functional as F

#…1.准备数据………………………………………………………………………………………………………………………………………#
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
# 二分类
y_data = torch.Tensor([[0], [0], [1]])

#…2.设计模型………………………………………………………………………………………………………………………………………#
# 继承torch.nn.Module，定义自己的计算模块,neural network
class LogisticRegressionModel(torch.nn.Module):
    # 构造函数
    def __init__(self):
        # 调用父类构造
        super(LogisticRegressionModel, self).__init__()
        # 定义输入样本和输出样本的维度
        self.linear = torch.nn.Linear(1, 1)

    # 前馈函数
    def forward(self, x):
        # 返回x线性计算后的预测值
        # sigmoid()作映射变化
        y_pred = F.sigmoid(self.linear(x))
        return y_pred

#……3.构造损失函数和优化器……………………………………………………………………………………………………………#
# 实例化自定义模型，返回做logistic变化(也叫sigmoid)的预测值
model = LogisticRegressionModel()
# 实例化损失函数，返回损失值
criterion = torch.nn.BCELoss(size_average=False)
# 实例化优化器,优化权重w
# model.parameters()，取出模型中的参数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

#……4.训练周期………………………………………………………………………………………………………………………………………#
for epoch in range(1000):
    # 获得预测值
    y_pred = model(x_data)
    # 获得损失值
    loss = criterion(y_pred, y_data)
    # 不会产生计算图，因为__str()__
    print(epoch, loss.item())
    # 梯度归零
    optimizer.zero_grad()
    # 反向传播
    loss.backward()
    # 更新权重w
    optimizer.step()
# 打印权重和偏值
print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())

#……5.绘图………………………………………………………………………………………………………………………………………#
#用于在大型、多维数组上执行数值运算
import numpy as np
import matplotlib.pyplot as plt

# 定义均匀间隔创建数值序列，指定间隔起始点、终止端，指定分隔值总数
x = np.linspace(0, 10, 200)
# 重新调整维度为200*1
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
# 将tensor转化为numpy类型
y = y_t.data.numpy()
# 图线1，x，y 轴上的数值
plt.plot(x, y)
# 图线2，x，y 轴上的数值，设置颜色
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
# 绘制刻度线的网格线
plt.grid()
plt.show()

附：pytorch提供的数据集

pytorch的免费数据集由两个上层的API提供，分别是torchvision和torchtext。

torchvision提供了对照片数据处理相关的API和数据，数据所在位置：torchvision.datasets，比如torchvision.datasets.MNIST（手写数字照片数据），torchvision.datasets.cifar（十类彩色图像数据）。

torchtext提供了对文本数据处理相关的API和数据，数据所在位置：torchtext.datasets，比如torchtext.datasets.IMDB（电影评论文本数据）。

import torchvision
# 训练集
train_set = torchvision.datasets.MNIST(root="../dataset/mnist", train=True, download=True)
# 测试集
test_set = torchvision.datasets.MNIST(root="../dataset/mnist", train=False, download=True)

root（string）– 数据集的根目录，其中存放processed/training.pt和processed/test.pt文件。
train（bool, 可选）– 如果设置为True，从training.pt创建数据集，否则从test.pt创建。
download（bool, 可选）– 如果设置为True, 从互联网下载数据并放到root文件夹下。如果root目录下已经存在数据，不会再次下载。
transform（可被调用 , 可选）– 一种函数或变换，输入PIL图片，返回变换之后的数据。如：transforms.RandomCrop。
target_transform （可被调用 , 可选）– 一种函数或变换，输入目标，进行变换。