pytorch（四、五、八）用pytorch实现线性回归和逻辑斯蒂回归（分类）以及多分类问题

线性回归

代码过程

训练过程：

1. 准备数据集
2. 设计模型（用来计算 $\hat{y}$）
3. 构造损失函数和优化器（API）
4. 训练周期（前馈、反馈、更新）

准备数据

这里的输入输出数据均表示为3×1的，也就是维度均为1

# 行表示实例数量，列表示维度feature
import torch
x_data=torch.Tensor([[1.0],[2.0],[3.0]])
y_data=torch.Tensor([[2.0],[4.0],[6.0]])

设计模型

模型继承Module类，并且必须要实现 init 和 forward 两个方法，其中self.linear=torch.nn.Linear(1,1)表示实例化Linear类，这个类是可调用的，其__call__函数调用了 forward 方法

class LinearModel(torch.nn.Module):
    def __init__(self):
        super(LinearModel,self).__init__()
        # weight 和 bias 1 1 
        self.linear=torch.nn.Linear(1,1)
        
    def forward(self,x):
        # callable
        y_pred=self.linear(x)
        return y_pred

# callable
model=LinearModel()

pytorch中的linear类是在某一个数据上应用线性转换，其公式表达为 $y=x{w}^T+b$

class torch.nn.Linear(in_features,out_features,bias=True) ：其中in_features和out_features分别表示输入和输出的数据的维度（列的数量），bias表示偏置，默认是true，该类有两个参数

• weight：可学习参数，值从均匀分布$U(-\sqrt{k},\sqrt{k})$中获取，其中 $k=\frac{1}{in\_features}$
• bias：shape和输出的维度一样，也是从分布$U(-\sqrt{k},\sqrt{k}$