pytorch入门（三）实现logistics回归

噜噜的小苹果

于 2019-04-10 16:45:08 发布

阅读量3.1k

点赞数 3

CC 4.0 BY-SA版权

分类专栏： pytorch 文章标签： pytorch实现逻辑回归

本文链接：https://blog.youkuaiyun.com/qq_39446239/article/details/89156862

本文介绍了如何在PyTorch中实现逻辑回归，包括基础实现和类实现两种方法，并对比了它们的损失函数。文章还解答了关于自动求导和优化器交互的常见问题，提供了深入理解PyTorch逻辑回归的见解。

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

PyTorch基础实现

类比于上一篇“pytorch实现简单回归”Pytorch学习（二）设立计算图，用pytorch实现逻辑回归也是基于梯度下降法更新参数，包含三个步骤：

设定初始值
求取梯度
参数更新

首先随机产生一系列样本，每个样本包含3个特征，共产生3组，相应地产生标签。

import torch
from torch.autograd import Variable 

# 设置训练样本 
n , m = 3,3 # n是样本数 m是特征数目 
torch.manual_seed(42)
x = torch.randn(n,m)
y = torch.FloatTensor([[1.,0.,1.]]) #变量设置时一定要用float型，否则不能求梯度

逻辑回归采用对数似然函数 $\displaystyle\sum_{i=1}^n({x_i}log(p)+(1-x_i)log(1-p))$