PyTorch 深度学习实践 第6讲 逻辑斯蒂回归（logistic）

B站--刘二大人《PyTorch深度学习实践》完结合集  06.逻辑斯蒂回归

 PPT 链接：网盘          提取码：cxe4

目录

1.数据集

MNIST Dataset

CIFAR-10

  2.logistic function

tips

---

1.数据集

MNIST Dataset

0-9，类别特征  P(0)~P（9）

 

 mnist调用代码示例：

import torchvision   #提供相应数据集,数据集需要下载

train_set = torchvision.datasets.MINIST(root='.../dataset/mnist', train=True, download=True)
test_set = torchvision.datasets.MINIST(root='.../dataset/mnist', train=True, download=True)

CIFAR-10

32*32 的图片

  2.logistic function

  

•  logistic 函数的输出结果是一个分布，概率在[0，1]之间

tips：

• sigmoid function

 需满足

1. 函数值有极限
2. 单调的增函数
3. 饱和函数                                     logistic function 是 sigmoid function 中最具有典型性的函数

 例：  

• MSE----计算的是两个实数值之间的差值

import torch
import torch.nn.functional as F   #functional中包含sigmoid函数，
import numpy as np
import matplotlib.pyplot as plt

#---------------------------------------------------------# 准备数据
 
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [1], [1]])
 
 #---------------------------------------------------------# 设计模型

class LogisticRegressionModel(torch.nn.Module):
    #  西格玛函数中没有参数，所以不需要初始化，可以直接调用
    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()

#---------------------------------------------------------# loss，优化器

criterion = torch.nn.BCELoss(size_average=False)   #BCELoss--->交叉熵损失
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

#---------------------------------------------------------# 训练
 
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    if epoch % 50 == 0:
        print(epoch, loss.item())
 
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

#---------------------------------------------------------# 
 
# 测试

x = np.linspace(0, 10, 200)       # 返回0-10等间距的200个数

x_t = torch.Tensor(x).view((200, 1))     # reshape成一个200行1列的矩阵tensor
y_t = model(x_t)    # 传入模型进行测试

y = y_t.data.numpy()        # 调用numpy将y_t变成n维数组         

plt.plot(x, y)                           # 绘图
plt.plot([0, 10], [0.5, 0.5], c='r')     # 图2——这是y=0.5那条横线
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()
 
 

参考链接：

pytorch 深度学习实践 第6讲 逻辑斯蒂回归_会游泳的小雁的博客-CSDN博客