如何使用pytorch建立逻辑回归模型

最新推荐文章于 2024-07-10 10:35:36 发布
最新推荐文章于 2024-07-10 10:35:36 发布
阅读量561 收藏 2
点赞数
分类专栏： python 深度学习 pytorch
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zhuyijun09/article/details/93380837
版权
该博客介绍了如何使用PyTorch建立逻辑回归模型，详细步骤包括设置模型参数，加载MNIST数据集，定义逻辑回归模型，使用交叉熵损失函数，优化器进行训练，并在测试集上评估模型性能，最后保存模型。
摘要由CSDN通过智能技术生成

-- coding:utf-8 --

import torch
import torch.nn as nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
from torch.autograd import Variable

模型参数

单个图像大小28*28=784

input_size = 784

输出维度

num_classes = 10

训练轮数

num_epochs = 10

加载批训练数据个数

batch_size = 50

学习率

learning_rate = 0.001

训练集（数据集如果已经下载了，就不会在运行时下载，root参数指向的是数据集目录）

train_dataset = dsets.MNIST(root=’./data’, train=True, transform=transforms.ToTensor(),
download=True)

测试集

test_dataset = dsets.MNIST(root=’./data’, train=False, transform=transforms.ToTensor())

最低0.47元/天 解锁文章
zhuyijun09
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
pytorch学习三——pytorch实现逻辑回归与构建基本神经网络
bobi123bobi的博客
05-15 311
其实之前学习贴出来的的代码就是这一块。。。而且忽略了问题是要只用numpy，我会回去补的！ 1.pytorch基础实现代码 2.用putorch类实现Logistic regression，torch.nn.module写网络结构 import torch import torch.nn.functional as F from torch.autograd import Variable imp...
机器学习7：pytorch的逻辑回归
10-07
逻辑回归模型是处理分类问题的最常见机器学习模型之一。二项式逻辑回归只是逻辑回归模型的一种类型。它指的是两个变量的分类，其中概率用于确定二元结果，因此“二项式”中的“bi”。结果为真或假 — 0 或 1。 二...
【python pytorch】Pytorch实现逻辑回归
赖德发的博客
12-04 768
pytorch 逻辑回归学习demo: import torch import torch.nn as nn import torchvision.datasets as dsets import torchvision.transforms as transforms from torch.autograd import Variable # Hyper Parameters input_...
【深度学习入门篇 ②】Pytorch完成线性回归！
最新发布
小森的博客
07-10 932
🍊。上一部分我们自己通过torch的方法完成反向传播和参数更新，在Pytorch中预设了一些更加灵活简单的对象，让我们来构造模型、定义损失，优化损失等；那么接下来，我们一起来了解一下其中常用的API！nn.Module是 PyTorch 框架中用于构建所有神经网络模型的基类。在 PyTorch 中，几乎所有的神经网络模块（如层、卷积层、池化层、全连接层等）都继承自nn.Module。这个类提供了构建复杂网络所需的基本功能，如参数管理、模块嵌套、模型的前向传播等。__init__需要调用super。
Pytorch深度学习实践-刘二大人-06pytorch实现逻辑回归模型
qq_42018605的博客
05-27 367
import matplotlib.pyplot as plt import torch import matplotlib.pyplot as pl import numpy as np x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[0], [0], [1]]) class LogisticRegressionModel(torch.nn.Module): # 构造函数：初始化对象默...
PyTorch逻辑回归
qq_37504771的博客
10-09 1222
pyTorch实现逻辑回归
Pytorch逻辑回归
斯人若彩虹，遇上方知有！
07-24 514
逻辑回归是线性的二分类模型 模型表达式： f(x)指的是Sigmoid函数，也称为Logistic函数；通过阈值0.5将所有值表示为0或者1，代表两个类别 线性回归是分析自变量x与因变量y(标量)之间关系的方法 逻辑回归是分析自变量x与因变量y(概率)之间关系的方法 直接来代码： import torch import torch.nn as nn import matplotlib.pyplot as plt import numpy as np torch.ma.
PyTorch线性回归和逻辑回归实战示例
09-20
下面我们将详细介绍如何使用PyTorch实现这两种回归模型。 **线性回归实战** 线性回归的核心思想是找到一个线性函数，使输入变量（特征）与输出变量（目标值）之间的关系尽可能接近。在PyTorch中，这一过程可以通过...
PyTorch 实现 逻辑回归、多元分类-谢TS的博客.pdf
07-17
训练逻辑回归模型时，通常使用交叉熵损失函数`nn.CrossEntropyLoss`。这是因为交叉熵损失函数对于分类问题非常有效，它结合了对数似然损失和负对数似然损失，能够衡量模型预测的概率分布与真实类别标签之间的差异。...
PyTorch线性回归和逻辑回归实战示例.pdf
04-17
在这个实战示例中，我们探讨了如何使用 PyTorch 实现线性回归和逻辑回归。 线性回归是一种简单的统计模型，用于预测一个连续变量。在 PyTorch 中实现线性回归主要涉及以下几个步骤： 1. **设计网络架构**：线性...
Pytorch-pytorch深度学习教程之逻辑回归.zip
05-22
2. **定义模型**：在PyTorch中，我们可以创建一个简单的逻辑回归模型，包含一个线性层（权重和偏置）以及sigmoid激活函数。模型类可能如下所示： ```python class LogisticRegression(nn.Module): def __init__...
pytorch 实现逻辑回归
Henry的博客
10-12 7153
简单说明一下任务，想在一个正方形的区域内生成若干点，然后手工设计label，最后通过神经网络的训练，画出决策边界假设：正方形的边长是2，左下角的坐标为（0，0），右上角的坐标为（2，2）然后我们手工定义分界线 y = x ，在分界线的上方定义为蓝色，下方定义为红色。
pytorch实现逻辑回归
weixin_49710179的博客
04-07 2288
一、pytorch实现逻辑回归 逻辑回归是非常经典的分类算法，是用于分类任务，如垃圾分类任务，情感分类任务等都可以使用逻辑回归。 接下来使用逻辑回归模型完成一个二分类任务： # 使用逻辑回归完成一个二分类任务 # 数据准备 import torch import matplotlib.pyplot as plt x1 = torch.randn(365)+1.5 # randn():输出一个形状为size的标准正态分布Tensor x2 = torch.randn(365)-1.5 #print(x1
使用pytorch实现逻辑回归
Demon_LMMan的博客
02-01 1738
逻辑回归原理公式 y^=σ(wTx+b),where σ=11+e−x , w,x∈Rd \Large \hat{y}=\sigma(w^{T}x+b),where \, \sigma=\frac{1}{1+e^{-x}}\,,\,w,x \in R^{d} y^​=σ(wTx+b),whereσ=1+e−x1​,w,x∈Rd P(target=1∣xi)=yi^ \large P(target=1|x_i)=\hat{y_i} P(target=1∣xi​)=yi​^​ P(target=0∣xi)=1
基于Pytorch实现逻辑回归
bigData1994pb的博客
06-08 268
1.逻辑回归 线性回归表面上看是“回归问题”， shi
PyTorch实现简单的逻辑回归
心升明月的博客
03-05 576
一、实现代码 和https://blog.csdn.net/weixin_43821559/article/details/123298468类似，代码如下： import torch import matplotlib.pyplot as plt import numpy as np import os os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE" # 1、准备数据 x_data = torch.Tensor([[1.0],[2.0],[3.0]]) y_d
使用PyTorch实现逻辑回归模型
2301_79537729的博客
03-24 1978
在本文中，我们将使用PyTorch库来实现一个简单的逻辑回归模型。逻辑回归是一种广泛应用于二分类问题的机器学习算法。
Pytorch基础 简单逻辑回归
m0_66776925的博客
04-09 719
参照动手深度学习的相关章节，对于基本的代码和网络搭建进行一个小结和回顾； 逻辑回归基本表示：...
pytorch调用逻辑回归模型
04-21
PyTorch是一个开源的深度学习框架，可以用于构建和训练神经网络模型。逻辑回归是一种二分类模型，可以用于解决分类问题。下面是使用PyTorch调用逻辑回归模型的一般步骤： 1. 导入必要的库和模块： ```python import torch import torch.nn as nn import torch.optim as optim ``` 2. 定义逻辑回归模型类： ```python class LogisticRegression(nn.Module): def __init__(self, input_size, output_size): super(LogisticRegression, self).__init__() self.linear = nn.Linear(input_size, output_size) self.sigmoid = nn.Sigmoid() def forward(self, x): out = self.linear(x) out = self.sigmoid(out) return out ``` 在这个例子中，我们使用了一个线性层和一个Sigmoid激活函数。 3. 实例化模型： ```python input_size = 10 # 输入特征的维度 output_size = 1 # 输出的类别数（二分类问题） model = LogisticRegression(input_size, output_size) ``` 4. 定义损失函数和优化器： ```python criterion = nn.BCELoss() # 二分类交叉熵损失函数 optimizer = optim.SGD(model.parameters(), lr=0.01) # 随机梯度下降优化器 ``` 5. 准备数据： ```python # 假设有训练数据X和对应的标签y X = torch.tensor([[1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0]]) y = torch.tensor([[0.0]]) # 标签为0或1 # 数据预处理 X = X.t() # 转置X，使得每一行代表一个样本 y = y.t() # 转置y，使得每一行代表一个样本 ``` 6. 训练模型： ```python num_epochs = 100 # 迭代次数 for epoch in range(num_epochs): # 前向传播 outputs = model(X) loss = criterion(outputs, y) # 反向传播和优化 optimizer.zero_grad() loss.backward() optimizer.step() # 打印训练信息 if (epoch+1) % 10 == 0: print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item())) ``` 7. 使用模型进行预测： ```python # 假设有测试数据X_test X_test = torch.tensor([[11.0, 12.0, 13.0, 14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 20.0]]) X_test = X_test.t() # 转置X_test，使得每一行代表一个样本 # 使用模型进行预测 predicted = model(X_test) predicted_class = predicted.round() # 四舍五入为0或1 print('Predicted Class:', predicted_class.item()) ``` 这就是使用PyTorch调用逻辑回归模型的一般步骤。你可以根据自己的数据和需求进行相应的修改和调整。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值