import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np
torch.manual_seed(10)
sample_nums=100
mean_value=1.7
bias=1
n_data = torch.ones(sample_nums,2)
#类别0
x0=torch.normal(mean_value*n_data,1)+bias # 包含从给定参数means,std的离散正态分布中抽取随机数。 均值means是一个张量,包含每个输出元素相关的正态分布的均值。 std是一个张量,包含每个输出元素相关的正态分布的标准差。
y0=torch.zeros(sample_nums)
#类别1
x1=torch.normal(-mean_value*n_data,1)+bias
y1=torch.ones(sample_nums)
train_x=torch.cat((x0,x1),0)
train_y=torch.cat((y0,y1),0)
class LR(nn.Module):
def __init__(self):
super(LR,self).__init__()
self.features=nn.Linear(2,1)
self.sigmoid=nn.Sigmoid()
def forward(self, x):
x=self.features(x)
x=self.sigmoid(x)
return x
lr_net = LR()
loss_fn = nn.BCELoss()
lr=0.01
optimizer=torch.optim.SGD(lr_net.parameters(),lr=lr,momentum=0.9)
for iteration in range(1000):
#前向传播
y_pred=lr_net(train_x)
#计算loss
loss=loss_fn(y_pred.squeeze(),train_y)
#反向传播
loss.backward()
#更新参数
optimizer.step()
#绘图
if iteration %20 ==0:
mask=y_pred.ge(0.5).float().squeeze()#以0.5为阈值进行分类
correct=(mask==train_y).sum()#计算正确预测的样本数
acc=correct.item()/train_y.size(0)#计算分类准确率
plt.scatter(x0.data.numpy()[:,0],x0.data.numpy()[:,1],c='r',label='class 0')
plt.scatter(x1.data.numpy()[:,0],x1.data.numpy()[:,1],c='b',label='class 1')
w0,w1=lr_net.features.weight[0]
w0,w1=float(w0.item()),float(w1.item())
plot_b=float(lr_net.features.bias[0].item())
plot_x=np.arange(-6,6,0.1)
plot_y=(-w0*plot_x-plot_b)/w1
plt.xlim(-5,7)
plt.ylim(-7,7)
plt.plot(plot_x,plot_y)
plt.text(-5,5,'Loss=%.4f' %loss.data.numpy(),fontdict={'size':20,'color':'red'})
# plt.title()
plt.legend()
plt.show()
plt.pause(0.5)
if acc>0.99:
break
逻辑回归
最新推荐文章于 2021-09-22 21:18:18 发布