第六讲 逻辑回归
代码与线性回归几乎一样,只是多加了一个sigmoid操作,另外损失函数从均方误差换成了适用于二分类的二元交叉熵。
代码如下:
import torch
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
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 = torch.nn.functional.sigmoid(self.linear(x))
return y_pred
model = LogisticRegressionModel()
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 训练
for epoch in range(500):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print("epoch: ", epoch, "loss: ", loss.item())
optimizer.zero_grad() # 梯度置零
loss.backward() # 反向传播一次
optimizer.step() # 更新
需要注意的是,在准备数据集时,若使用
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[0], [0], [1]])
会导致程序出现以下错误:
RuntimeError: Found dtype Long but expected Float
这是因为x_data与y_data的dtype不一致。
应使用torch.Tensor()方法,说明见以下链接。