《PyTorch深度学习实战》第六讲

最新推荐文章于 2024-06-17 18:07:58 发布

原创最新推荐文章于 2024-06-17 18:07:58 发布 · 158 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #神经网络

Python 同时被 2 个专栏收录

82 篇文章

订阅专栏

PyTorch

24 篇文章

订阅专栏

该博客介绍了如何使用PyTorch实现逻辑回归模型，详细展示了从数据准备、模型定义、损失函数选择（BCELoss）、优化器设置（SGD）到训练过程，并通过绘制概率曲线来解释模型预测概率的变化。

部署运行你感兴趣的模型镜像

Logistic Regression

传送门：https://www.bilibili.com/video/BV1Y7411d7Ys?p=6

学习重要内容

在这里插入图片描述

在这里插入图片描述
说明：逻辑斯蒂回归和线性模型的明显区别是在线性模型的后面，添加了激活函数(非线性变换)，以增强模型的适用性

回归问题：逻辑回归损失函数

二分类：交叉熵损失函数

多分类：Softmax分类函数

代码

import torch
import torch.nn.functional as F

# 1.准备数据
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0.], [0.], [1.]])

# 2.设计模型
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

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

# 3.构建损失函数和优化器
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 4.循环
for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

# 绘图
import numpy as np
import matplotlib.pyplot as plt
import os
os.environ['KMP_DUPLICATE_LIB_OK'] = 'TRUE'
x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200,1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x,y)
plt.plot([0, 10], [0.5,0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()