PyTorch深度学习实践06——逻辑斯蒂回归（分类问题）

• torchvision包提供一些常用网络数据集的下载
• 在所有的sigmoid函数中，最出名的是Logistic Function，所以也将其成为sigmoid函数
• sigmoid函数目的：将实数域映射到[0, 1]，方便表示概率
• Loss函数的变化：变为cross-entropy损失，并且希望P1(x)ln(P2(x))越大越好（表示两个分布差异性小），加上-号即可转化为将loss越小越好
• 二分类的交叉熵损失函数：BCEloss （Binary Cross-Entropy）
• 模型编写四步：

 

 

 课上代码：

import matplotlib.pyplot as plt
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt
import numpy as np

x_data = torch.Tensor([[1.0], [2.0], [3.0]]) # tensor和Tensor不同？
y_data = torch.Tensor([[0], [0], [1]])

class LogisticRegressionModel(nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = nn.Linear(1, 1)

    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred
model = LogisticRegressionModel()

criterion = nn.BCELoss(size_average=False)
optimizer = optim.SGD(model.parameters(), lr=0.01)

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()


x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view(200, 1)
y_t = model(x_t)
y = y_t.data.numpy()

plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel("Hours")
plt.ylabel("Prob of Pass")
plt.grid()
plt.show()

补充：

torch.Tensor和torch.tensor的区别：

torch.Tensor()是python类，更明确地说，是默认张量类型torch.FloatTensor()的别名，torch.Tensor([1,2])会调用Tensor类的构造函数__init__，生成单精度浮点类型的张量。

torch.tensor会从data中的数据部分做拷贝（而不是直接引用），根据原始数据类型生成相应的torch.LongTensor、torch.FloatTensor和torch.DoubleTensor。

由于torch.Tensor()只能指定数据类型为torch.float，所以torch.Tensor()可以看做torch.tensor()的一个特殊情况。