《PyTorch深度学习实践》第六讲 逻辑斯蒂回归

线性回归与逻辑斯蒂回归作对比

模型

 损失函数

 

二分类损失和小批量的二分类损失

编码步骤

 

写入logistic脚本：

'''
利用pytorch构建模型大多可分为四步：
1、准备数据集
2、模型的构造，定义相应的模型
3、构造损失函数和优化器
4、训练循环
'''
import torch
import torch.nn.functional as F


x_data = torch.Tensor([[1.0],[2.0],[3.0]])    #ctrl+d复制当前行的代码到下一行
y_data = torch.Tensor([[0],[0],[1]])          #逻辑回归其实是分类问题，把输入的数据转化为张量

#逻辑回归其实是分类问题，x对应的y值只能是0或1，LogisticRegressionModel类继承自torch.nn.Module，自动计算梯度
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):               #构造函数
        super(LogisticRegressionModel,self).__init__()     #super继承
        self.linear = torch.nn.Linear(1,1)             #linear（w,b）

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

model = LogisticRegressionModel()        #实例化模型

criterion = torch.nn.BCELoss(size_average=False)            #损失函数，二分类交叉熵损失
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)     #定义优化器，随机梯度下降，对model中的参数进行优化，设置学习率

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)                          #loss会构建计算图

    print(epoch,loss.item())

    optimizer.zero_grad()                         #梯度会累加，需要清零
    loss.backward()                                #损失的反向传播
    optimizer.step()                               #更新

print('w=',model.linear.weight.item())             #打印权重和偏执，位于model中的linear中，去标量值
print('b=',model.linear.bias.item())

x_test = torch.Tensor([[4.0]])                 #输入测试的值
y_test = model(x_test)                         #预测测试的值（概率）
print('y_pred=',y_test.data)

运行结果如下：

迭代100,1000次的结果