视频资料:《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili
本讲的作业是用PyTorch实现二分类问题。
与上讲的作业线性回归有两点区别:
- 需要对预测值使用激活函数sigmoid,因此在前向传播中我们需要加上这一步
- 损失函数不再使用均方误差,而使用交叉熵误差(回归问题用均方误差,分类问题用交叉熵误差)
现在上代码:
# 用Pytorch实现二分类
import numpy as np
import torch
import torch.nn.functional as F
import matplotlib.pyplot as plt
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) # 输入样本的特征数和输出结果的特征数
def forward(self, x):
y_temp = self.linear(x)
y_pred = F.sigmoid(y_temp) # 激活函数,使值处于0-1
return y_pred
model = LogisticRegressionModel()
# 损失函数和优化器
criterion = torch.nn.BCELoss(size_average=False) # BCELoss二分类的交叉熵误差
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# 训练
loss_list = []
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
loss_list.append(loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
# 画出损失图像
plt.plot(np.arange(1000), loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()
# 预测图像
x = np.linspace(0, 10, 200) # 从0到10取200个点
x_t = torch.Tensor(x).view(200, 1) # 转化为2阶
y_t = model(x_t) # 获得预测值
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r') # 分界线
plt.xlabel('Hours')
plt.grid()
plt.show()
下面给出损失函数图像:
下面给出预测结果:
从上面可以看出,大概学习时长为2.5小时时,通过率为50%,这应该与我们自己想的预测值差不多。