Pytorch深度学习实践--P6：逻辑斯蒂回归_pytorch linear.weight-优快云博客

本文介绍了如何使用PyTorch库创建一个简单的逻辑回归模型，从数据预处理到模型训练和预测，涵盖了梯度下降和权重更新的过程。适合初学者了解基本的机器学习算法实现。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

import torch

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
#x_data和y_data为三行一列的矩阵，即总共有三个数据，每个数据只有一个特征

class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel,self).__init__()
        self.linear = torch.nn.Linear(1,1)
        #(1,1)指输入x和输出y的特征维度，此处数据集中x、y的特征都是一维的
        #该线性层需要学习的参数是w和b，获取w、b的方式是linear.weight和linear.bias

    def forward(self,x):
        y_pred = torch.sigmoid(self.linear(x))
        return y_pred

model = LogisticRegressionModel()

criterion = torch.nn.MSELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(),lr=0.01)

for epoch in range(100):
    y_pred = model(x_data) #forward:predict
    loss = criterion(y_pred,y_data) #forward:loss
    print(epoch,loss.item())

    optimizer.zero_grad()   #将梯度置为零
    loss.backward() #backward:autograd,自动计算梯度
    optimizer.step()    #update参数，即更新w、b的值

print('w = ',model.linear.weight.item())
print('b = ',model.linear.bias.item())

x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ',y_test.data)