pytorch学习笔记（五）：逻辑斯蒂回归（Logistic Regression）

一、一些数据集的获取

1、手写数字数据集MNIST Dataset

第一个参数数据集保存位置

train=True 训练集，False测试集

第一次用 download=True 会自动连网下载

2、交通工具分类数据集The CIFAR-10 dataset

二、逻辑斯蒂回归主要处理分类问题

分类问题使用激活函数Sigmoid（将数值映射为[0,1]的概率）

Sigmoid函数有多种形式

损失函数用到交叉熵：
交叉熵，用以比较两个分部之间的差异，数值越大越好

损失函数越小越好，因此加负号-

在程序中，对应为BCELoss

总体代码：

import torch
import numpy as np
import matplotlib.pyplot as plt
import torch.nn.functional as F

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])


class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)  # 1,1表示设置的线性模型中有两个参数w和b

    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred


model = LogisticRegressionModel()

criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

#用以代入数据做检测
x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()

和上一篇线性回归相比，代码该变量不大，代码细节可参照本专栏上一篇博文。