Pytorch基础-第三课

1、pytorch nn实现逻辑回归

逻辑回归原理：

https://blog.csdn.net/u010108512/article/details/88957864

import torch
from torch import nn
from torch.autograd import Variable  # 导入Variable函数进行自动求导，有了Variable PyTorch才能实现自动求导功能

torch.manual_seed(2)
x_data = Variable(torch.Tensor([[1.0], [2.0], [3.0], [4.0]]))
y_data = Variable(torch.Tensor([[5.0], [6.0], [8.0], [2.0]]))


# 定义网络模型  线性模型，具体时由损失函数决定模型的
# 先建立一个基类Model，都是从父类torch.nn.Module中继承过来，PyTorch写网络的固定写法
class Model(nn.Module):
    def __init__(self):
        super(Model, self).__init__()  # 初始父类
        self.linear = nn.Linear(1, 1)  # 输入维度和输出维度都为1

    def forward(self, x):
        return self.linear(x)


model = Model()  # 实例化

# 定义Loss和优化方法
criterion = nn.BCEWithLogitsLoss()  # 损失函数，封装好的逻辑损失函数

# #PyTorch类方法正则化方法，添加一个weight_decay参数进行正则化  梯度下降法
optimizer = torch.optim.SGD(model.parameters(), lr=0.01, weight_decay=0.001)
# 训练前数据
hour_var = Variable(torch.Tensor([[2.0]]))
y_pred = model(hour_var)
print("predict (before training) given", 2, "is", float(model(hour_var).data[0][0] > 0.5))

# 迭代次数
epochs = 40
for epoch in range(epochs):
    # 计算grads and cost
    y_pred = model(x_data)  # x_data 输入数据进入模型中
    loss = criterion(y_pred, y_data)

    optimizer.zero_grad()  # 梯度清零 为什么要梯度清零
    loss.backward()  # 反向传播
    optimizer.step()  # 优化迭代

# 验证模型  以0.5为界
hour_var = Variable(torch.Tensor([[2.0]]))
y_pred = model(hour_var)  # 预测结果
print("predict (after training) given", 2, "is", float(model(hour_var).data[0][0] > 0.5))

结果：

before training：input 2, out 0.0
after training: input 2, out 1.0