pytorch实现逻辑回归

代码

import torch
import torch.nn as nn
import matplotlib.pyplot as plt
import numpy as np

torch.manual_seed(10)
# step 1/5 生成数据
sample_nums = 100
mean_value = 1.7
bias = 1
n_data = torch.ones(sample_nums, 2)
x0 = torch.normal(mean_value * n_data, 1) + bias    #类别0 数据 shape=(100, 2)
y0 = torch.zeros(sample_nums)                        #类别0 标签 shape=(100, 1)
x1 = torch.normal(-mean_value * n_data, 1) + bias #类别1 数据 shape=(100, 2)
y1 = torch.ones(sample_nums)                        #类别1 标签 shape=(100, 1)
train_x = torch.cat((x0, x1), 0)
train_y = torch.cat((y0, y1), 0)
print("n_data",n_data)
print("x0", x0)
print("train_y", train_y)

#step 2/5 选择模型
class LR(nn.Module):
    def __init__(self):
        super(LR, self).__init__()
        self.features = nn.Linear(2, 1)
        self.sigmoid = nn.Sigmoid()
		        
        """
        torch.nn.Sigmoid() 和 torch.sigmoid() 的区别：
        torch.nn.Sigmoid()需要在__init__()方法中定义为全局变量才能使用，而torch.sigmoid()不需要定义，可直接使用。
        
        """
        
    def forward(self, x):
        x = self.features(x)
        x = self.sigmoid(x)
        #或者
        #x = torch.sigmoid(self.features(x))
        return x

    
lr_net = LR()    #实例化逻辑回归模型
# torch.nn是包含了构筑神经网络结构基本元素的包，在这个包中，可以找到任意的神经网络层。
# 这些神经网络层都是nn.Module这个大类的子类。
# torch.nn.Linear就是神经网络中的线性层，可以实现形如y=Xweight^T+b的加和功能。
# torch.nn.Linear(in_features, out_features, bias=True)
# 参数说明如下：
# in_features: 输入样本的特征数量
# out_features: 输出样本的特征数量
# bias: 偏执, 默认值为 True

#step 3/5 选择损失函数
loss_fn = nn.BCELoss()    # 二分类交叉熵损失函数

#step 4/5 选择优化器
lr = 0.01 #学习率
optimizer = torch.optim.SGD(lr_net.parameters(), lr=lr, momentum=0.9)
# SGD，随机梯度下降，每次迭代只需一个样本
# momentum，“动量”，如果本次和上次的梯度符号相同，则加速下降；如果梯度符号相反，那么相互抑制，减缓震荡，
# 在局部最优点时，它可以借助动量跳出来，不易陷入局部最优点。


#step 5/5模型训练
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个数
        acc = correct.item() / train_y.size(0) #计分类准确率
        
        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("Itreation: {}\nw0:{:.2f} w1:{:.2f} b: {:.2f} accuracy:{:.2f}%".format(iteration, w0, w1, plot_b, acc * 100))
        plt.legend()
        
        plt.show()
        plt.pause(0.5)
        
        if acc > 0.99:
            break

模型拟合结果可视化