逻辑回归吧

最新推荐文章于 2024-09-14 22:52:49 发布

月岛雫-

最新推荐文章于 2024-09-14 22:52:49 发布

阅读量568

点赞数 12

分类专栏：刘二文章标签：逻辑回归算法机器学习

本文链接：https://blog.csdn.net/qq_51934529/article/details/136691728

版权

刘二专栏收录该内容

7 篇文章 0 订阅

订阅专栏

本文介绍了如何使用PyTorch库在MNIST数据集上实现一个简单的逻辑回归模型，包括数据加载、模型定义、损失函数应用以及可视化训练过程。

摘要由CSDN通过智能技术生成

import torch
import matplotlib.pyplot as plt
import numpy as np

import torchvision
# train_set = torchvision.datasets.MNIST(root='../dataset/mnist', train=True, download=True)
# test_set = torchvision.datasets.MNIST(root='../dataset/mnist', train=False, download=True)

您指定的路径 …/dataset/mnist 是一个相对路径，表示将 MNIST 数据集下载到当前目录的上级目录中的 dataset/mnist 目录中。

具体来说，在您的文件系统中，如果您的当前工作目录是 /home/user/，那么相对路径 …/dataset/mnist 将会是 /home/dataset/mnist。

class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
    
    def forward(self, x):
        y_pred = self.linear(x)
        return y_pred

import torch.nn.functional as F

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()

criterion = torch.nn.BCELoss(reduction = 'sum')

optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

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

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    
    print(epoch,loss.item())
    plt.scatter(epoch,loss.data)
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

x = np.linspace(0, 10, 200) # 每周学习时间
x_t = torch.Tensor(x).view((200, 1)) # 200行1列的矩阵
y_t = model(x_t)
y = y_t.data.numpy()
plt.scatter(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()