pytorch使用nn.Moudle实现逻辑回归

最新推荐文章于 2024-06-30 15:14:32 发布

原创

最新推荐文章于 2024-06-30 15:14:32 发布 · 904 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #python #机器学习 #人工智能 #逻辑回归

本文通过实例解析如何在PyTorch中使用nn.Module构建逻辑回归模型，针对训练过程中loss下降不明显的常见问题，提出解决方案，并展示完整源代码及运行结果。

文章目录

内容
问题
解决方法
源代码
输出结果

内容

pytorch使用nn.Moudle实现逻辑回归

问题

loss下降不明显

解决方法

#源代码 out的数据接收方式
     if torch.cuda.is_available():
         x_data=Variable(x).cuda()
         y_data=Variable(y).cuda()
     else:
         x_data=Variable(x)
         y_data=Variable(y)
    
    out=logistic_model(x_data)  #根据逻辑回归模型拟合出的y值
    loss=criterion(out.squeeze(),y_data)  #计算损失函数

#源代码 out的数据有拼装数据直接输入
#     if torch.cuda.is_available():
#         x_data=Variable(x).cuda()
#         y_data=Variable(y).cuda()
#     else:
#         x_data=Variable(x)
#         y_data=Variable(y)
    
    out=logistic_model(x_data)  #根据逻辑回归模型拟合出的y值
    loss=criterion(out.squeeze(),y_data)  #计算损失函数
    print_loss=loss.data.item()  #得出损失函数值

源代码

import torch
from torch import nn
from torch.autograd import Variable
import matplotlib.pyplot as plt
import numpy as np

#生成数据
sample_nums = 100
mean_value = 1.7
bias = 1
n_data = torch.ones(sample_nums, 2