深度学习之PyTorch---- Logistic回归（二分类问题）

最新推荐文章于 2025-06-30 09:25:34 发布

cv阿文

最新推荐文章于 2025-06-30 09:25:34 发布

阅读量3.9k

点赞数 2

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/qq_36022260/article/details/83547259

本文详细介绍了如何使用PyTorch实现Logistic回归模型，重点在于解决二分类问题。通过理解模型的构建、损失函数的选择及训练过程，读者将能掌握在深度学习框架下进行二分类任务的基本方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

"""
Logistic 回归
"""


class LogisticRegression(nn.Module):
    def __init__(self):
        super(LogisticRegression,self).__init__()
        self.lr = nn.Linear(2,1)
        self.sm = nn.Sigmoid()
    
    def forward(self,x):
        x = self.lr(x)
        x = self.sm(x)
        return x


if __name__ == '__main__':
    with open('data.txt' , 'r') as f:
        data_list = f.readlines()
        data_list = [i.split('\n')[0] for i in data_list]
        data_list = [i.split(',') for i in data_list]
        data = [(float(i[0]),float(i[1]),float(i[2])) for i in data_list]
        data = torch.Tensor(data)

    
    logistic_model = LogisticRegression()

    # 定义损失函数和优化器
    criterion = nn.BCELoss()
    optimizer = optim.SGD(logistic_model.parameters(),lr=1e-3,momentum=0.9)

    start = time.time()
    for epoch in range(10000):
        x = Variable(data[:,0:2])
        y = Variable(data[:,2]).unsqueeze(1)
       # forward 
        output = l