Day3 PyTorch实现Logistic regression

本文介绍了如何使用PyTorch实现Logistic Regression,包括基础实现代码和通过torch.nn.Module定义网络结构。Logistic Regression常用于概率分析,通过Sigmoid函数将输出映射到0到1之间。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

PyTorch实现Logistic regression

  1. PyTorch基础实现代码
  2. 用PyTorch类实现Logistic regression, torch.nn.module写网络结构

Logistic regression 简单的理解为输出值在0到1之间的回归,可用其作为概率来分析判断
一般用Sigmoid函数,实现普通值到0和1之间的值的映射
sigmoid函数公式

所以 Logistic regression 的数学表达式如下
在这里插入图片描述

2.Pytorch实现

import torch
from torch.autograd import Variable

x_data = Variable(torch.Tensor([[0.6], [1.0], [3.5], [4.0]]))
y_data = Variable(torch.Tensor([[0.], [0.], [1.], [1.]]))

class Model(torch.nn.Module):
    def __init__(self):
        super(Model, self).__init__()
        self.linear = torch.nn.Linear(1, 1) 
        self.sigmoid = torch.nn.Sigmoid()  ###### **sigmoid**

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


model = Model()


criterion = torch.nn.BCELoss(size_average=True)        #损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)   # 随机梯度下降


for epoch in range(500):
    # Forward pass
    y_pred = model(x_data)

    
    loss = criterion(y_pred, y_data)
    if epoch % 20 == 0:
        print(epoch, loss.item())

    #梯度归零
    optimizer.zero_grad()
    # 反向传播
    loss.backward()
    # update weights
    optimizer.step()

hour_var = Variable(torch.Tensor([[0.5]]))
print("predict (after training)", 0.5, model.forward(hour_var).data[0][0])
hour_var = Variable(torch.Tensor([[7.0]]))
print("predict (after training)", 7.0, model.forward(hour_var).data[0][0])


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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