第六讲逻辑斯蒂回归的笔记与源码
B站 刘二大人 教学视频 传送门:逻辑斯蒂回归
1、线性模型与逻辑模型区别增加了非线性激活函数
注:预测与标签的越接近,说明BCE损失值越小
代码事项1:
这里的size_average=False 新版使用reduction='sum' 具体代码如下
criterion=torch.nn.BCELoss(reduction='sum')
代码事项2:
这里的np.linspace(0,10,200)
返回的结果是start 到end间(0到10),具有相同间隔的数,产生num个数(200),endpoint=True(默认,指是否会有最后那个数10)
torch.Tensor(x).view((200,1))
.view(200,1) 会将相同的数据转换成200行1列的数据
代码事项3:
y_t=model(x_t) 实际的y_t是一个tensor
y_t.data.numpy() 将tensor中的数组取出
c='r'为color==red
代码事项3:
视频中代码F.sigmoid(self.linear(x))会引发错误警告,此处更改为torch.sigmoid(self.linear(x))
torch.sigmoid与torch.nn.sigmoid区别
torch.sigmoid()和torch.nn.sigmoid()和torch.nn.functional.sigmoid()的区别
代码事项4:
BCELoss 是CrossEntropyLoss的一个特例,只用于二分类问题,而CrossEntropyLoss可以用于二分类,也可以用于多分类。如果是二分类问题,建议BCELoss
话不多说直接代码:
import torch
import numpy as np
# import torch.nn.functional as F
import matplotlib.pyplot as plt
import os
os.environ["KMP_DUPLICATE_LIB_OK"]='True'
#第一步:Prepare dataset 准备数据集
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[0],[0],[1]])
#第二步:Design model using class 设置模型
#nn是neural networdk 神经网络
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisticRegressionModel, self).__init__()
self.linear=torch.nn.Linear(1,1)
def forward(self,x):
#新版会报错F.sigmoid
y_pred=torch.sigmoid(self.linear(x))
return y_pred
#linearModel继承了nn.module对象,会调用该对象的__call__。__call__方法内部,会调用forward
model=LogisticRegressionModel()
#第三步:struct loss and optimizer 构造损失函数和优化器
#这个参数将来只需要y^和y就可以求出损失
#这里的size_average=False 新版使用reduction='sum'
criterion=torch.nn.BCELoss(reduction='sum')
#优化模块 SGD是个类 做实例化:这是优化器对象,lr是学习率
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
#第四步:Training cycle 相应训练循环
for epoch in range(100):
y_pred=model(x_data)
loss=criterion(y_pred,y_data)
print('epoch:',epoch,'loss:',loss.item())
#梯度归0
optimizer.zero_grad()
loss.backward()
optimizer.step() #update
#Output weight and bias
print('w=',model.linear.weight.item())
print('b=',model.linear.bias.item())
#Test Model
x_test=torch.Tensor([[4.0]])
y_test=model(x_test)
print('y_pred=',y_test.data.item())
x=np.linspace(0,10,200)
x_t=torch.Tensor(x).view((200,1))
y_t=model(x_t)
y=y_t.data.numpy()
plt.plot(x,y)
plt.plot([0,10],[0.5,0.5],c='r')
plt.xlabel("Hours")
plt.ylabel("Probability of Pass")
plt.grid()
plt.show()
运行结果:
........
epoch: 94 loss: 1.5546190738677979
epoch: 95 loss: 1.5534307956695557
epoch: 96 loss: 1.5522444248199463
epoch: 97 loss: 1.5510601997375488
epoch: 98 loss: 1.5498781204223633
epoch: 99 loss: 1.5486979484558105
w= 0.483514666557312
b= -1.229051113128662
y_pred= 0.6692970395088196
进程已结束,退出代码为 0
效果图:预测成功率
完结,若有错误敬请指正 感谢!