PyTorch深度学习实践 06.逻辑斯蒂回归

06.逻辑斯蒂回归_哔哩哔哩_bilibili

最近在 B站 刘二大人 学习PyTorch ，上传一些学习用的代码，仅供参考和交流。

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

#定义数据集
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[0],[0],[1.0]])

#定义模型
class logisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(logisticRegressionModel,self).__init__()#调用父类的init
        self.linear=torch.nn.Linear(1,1)#构造一个linear的对象，指定输入特征的维度和输出特征的维度
    def forward(self,x):
        y_pred=torch.sigmoid(self.linear(x))
        return y_pred
model=logisticRegressionModel()#模型实例化

#构造损失函数和优化器
criterion=torch.nn.BCELoss(reduction='sum')#损失函数,不求均值
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)#SGD优化器
#训练过程
epochs=[]
losses=[]
for epoch in range(1000):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    # print(epoch,loss.item())
    epochs.append(epoch)
    losses.append(loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

#显示训练结果
plt.figure(1)
plt.plot(epochs,losses)
plt.xlabel('epoch')
plt.ylabel('loss')
# plt.show()

#测试数据
x=np.linspace(0,10,200)
# 将 NumPy 数组 x 转换为 PyTorch 的张量（tensor），并将其形状改变为 (200, 1)
x_t=torch.Tensor(x).view(200,1)#view函数用来改变张量的维度
y_t=model(x_t)
y=y_t.data.numpy()# 将 PyTorch 张量 y_t 转换为 NumPy 数组
plt.figure(2)
plt.plot(x,y)
plt.plot([0,10],[0.5,0.5],c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()#显示网络
plt.show()

训练过程中损失函数变化如下：

测试结果如下：