PyTorch深度学习实战 第六讲

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。

torch.tensor() 与 torch.Tensor()的区别