《Pytorch - 逻辑回归模型》

2020年10月4号，依然在家学习。
今天是我写的第二个 Pytorch程序，从今天起也算是入门了。
这里是简单的实现了逻辑回归开始。

回顾线性回归，线性模型如下 y = wx + b，图画的丑了，意思到了就行。

回顾逻辑回归，线性模型如下 y =σ(wx + b) ，图画的丑了，意思到了就行。

也就是逻辑回归其实就是在之前的线性回归的基础上增加了一个 sigmoid函数层。而且误差损失函数也会发生变化，需要使用二分类的误差损失函数，具体细节在很早的博文机器学习里面有介绍，这里就不多赘述了。

话不多说，我就直接上代码实例描述，代码的注释我都是用中文直接写的。

import torch
import torch.nn.functional as F# Step 1: ========创建模型========
# 定义一个类，继承自 torch.nn.Module，torch.nn.Module是callable的类
# 在整个类里面重新定义一个逻辑回归模型 y = sigmod(wx+b)，也可以理解成内置一个线性层。
# 整个子类需要重写forward函数，
class LogisticRegressionModel(torch.nn.Module):def __init__(self):# 调用父类的初始化函数，必须要的super(LogisticRegressionModel, self).__init__()# 创建一个线性层，作为内置层，也是实例化一个torch.nn.Linear对象，输入数据是一维的，输出数据也是一维的，默认包含偏置参数# torch.nn.Linear也是callable的类self.linearLayer = torch.nn.Linear(1, 1)def forward(self, x):# 使用这个包下面的sigmoid函数做激活y_out = F.sigmoid(self.linearLayer(x))return y_out# 创建和实例化一个整个模型类的对象
Logistic_Model = LogisticRegressionModel()
# 打印出整个模型
print(Logistic_Model)# Step 2: ========定义损失函数和优化器========
# 定义一个均方差误差损失函数 binary classification error loss
Logistic_Criterion = torch.nn.BCELoss(size_average=True)
# 创建一个优化器，是用来做参数训练的，或者说是反向传播后更新参数，线性回归一般选择随机梯度下降，当然还有其他的梯度下降的方式。
# lr 就是learning rate，把模型的所有参数都交给优化器，反向传播中，优化器会递归地计算参数的偏导数以及做参数更新。
Logistic_Optimizer = torch.optim.SGD(Logistic_Model.parameters(), lr=0.01)# Step 3: ========得到数据========
# 为了方便演示和学习，这里我随意构造几个数据
x_data = torch.Tensor([[1.0], [2.0], [3.0], [4.0], [5.0], [6.0], [7.0], [8.0]])
y_data = torch.Tensor([[0], [0], [0], [0], [1], [1], [1], [1]])# Step 4: ========开始训练========
# 迭代进行训练
iteration = 100
for itr in range(iteration):# 计算前向传播，也就是计算输出# 由于模型是callable的，最后会自动调用__callable__函数，再其中就有一个是forward函数调用。y_output = Logistic_Model(x_data)# 得到损失值loss = Logistic_Criterion(y_output, y_data)print("in the ", itr, "th iteration, loss is", loss.item())# 反向传播，也就是对参数进行训练，需要注意的是，需要把优化其中上一次计算的梯度值清0Logistic_Optimizer.zero_grad()# 计算反向的各个参数的偏导数loss.backward()# 更新参数Logistic_Optimizer.step()# 打印出参数
print("w is: ", Logistic_Model.linearLayer.weight.item())
print("b is: ", Logistic_Model.linearLayer.bias.item())

《Pytorch - 逻辑回归模型》相关推荐

ComeFuture英伽学院——2020年全国大学生英语竞赛【C类初赛真题解析】(持续更新)
视频:ComeFuture英伽学院--2019年全国大学生英语竞赛[C类初赛真题解析]大小作文--详细解析课件:[课件]2019年大学生英语竞赛C类初赛.pdf 视频:2020年全国大学生英语竞赛 ...
ComeFuture英伽学院——2019年全国大学生英语竞赛【C类初赛真题解析】大小作文——详细解析
视频:ComeFuture英伽学院--2019年全国大学生英语竞赛[C类初赛真题解析]大小作文--详细解析课件:[课件]2019年大学生英语竞赛C类初赛.pdf 视频:2020年全国大学生英语竞赛 ...
信息学奥赛真题解析（玩具谜题）
玩具谜题(2016年信息学奥赛提高组真题) 题目描述小南有一套可爱的玩具小人, 它们各有不同的职业.有一天, 这些玩具小人把小南的眼镜藏了起来.小南发现玩具小人们围成了一个圈,它们有的面朝圈内,有的 ...
信息学奥赛之初赛第1轮讲解（01-08课）
信息学奥赛之初赛讲解 01 计算机概述系统基本结构信息学奥赛之初赛讲解 01 计算机概述系统基本结构_哔哩哔哩_bilibili 信息学奥赛之初赛讲解 02 软件系统计算机语言进制转换信息 ...
信息学奥赛一本通习题答案（五）
最近在给小学生做C++的入门培训,用的教程是信息学奥赛一本通,刷题网址 http://ybt.ssoier.cn:8088/index.php 现将部分习题的答案放在博客上,希望能给其他有需要的人带来 ...
信息学奥赛一本通习题答案（三）
最近在给小学生做C++的入门培训,用的教程是信息学奥赛一本通,刷题网址 http://ybt.ssoier.cn:8088/index.php 现将部分习题的答案放在博客上,希望能给其他有需要的人带来 ...
信息学奥赛一本通提高篇第六部分数学基础相关的真题
第1章快速幂 1875:[13NOIP提高组]转圈游戏信息学奥赛一本通(C++版)在线评测系统第2 章素数第 3 章约数第 4 章同余问题第 5 章矩阵乘法第 6 章 ...
信息学奥赛一本通题目代码（非题库）
为了完善自己学c++,很多人都去读相关文献,就比如<信息学奥赛一本通>,可又对题目无从下手,从今天开始,我将把书上的题目一一的解析下来,可以做参考,如果有错,可以告诉我,将在下次解析里重 ...
信息学奥赛一本通（C++版）刷题记录
总目录详见:https://blog.csdn.net/mrcrack/article/details/86501716 信息学奥赛一本通(C++版) 刷题记录 http://ybt.ssoier. ...
最近公共祖先三种算法详解 + 模板题建议新手收藏例题：信息学奥赛一本通祖孙询问距离
首先什么是最近公共祖先?? 如图:红色节点的祖先为红色的1, 2, 3. 绿色节点的祖先为绿色的1, 2, 3, 4. 他们的最近公共祖先即他们最先相交的地方,如在上图中黄色的点就是他们的最近公共祖先 ...

《Pytorch - 逻辑回归模型》

《Pytorch - 逻辑回归模型》相关推荐

最新文章

热门文章