logistic回归

目录

1、使用PyTorch深度学习框架写深度学习代码的步骤

（1）、准备数据集

（2）、使用类设计模型（继承 torch.nn.Module）

（3）、使用PyTorch的API构建损失函数和优化器

（4）、循环训练模型

2、测试训练好的模型

3、绘图 

---

1、使用PyTorch深度学习框架写深度学习代码的步骤

（1）、准备数据集

import torch
# import torch.nn.functional as F
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])

（2）、使用类设计模型（继承 torch.nn.Module）

•  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)

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 = F.sigmoid(self.linear(x))
        y_pred = torch.sigmoid(self.linear(x))
        return y_pred

（3）、使用PyTorch的API构建损失函数和优化器

• 分布的差异：KL散度，cross-entropy交叉熵

# 默认情况下，loss会基于element平均，如果size_average=False的话，loss会被累加。
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

（4）、循环训练模型

• 每一次循环都要构建计算图进行前向传播（forward）、后向传播计算各个位置的偏导数并将导数值保存在定义的参数中（backward）、梯度下降不断更新梯度值（update）

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()

2、测试训练好的模型

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

x_test = torch.Tensor([[10.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)
print('y_pred = ', y_test[0][0].item())

3、绘图