0
点赞
收藏
分享

微信扫一扫

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

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_激活函数


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

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_损失函数_02


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

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_数据集_03

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

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_数据集_04


损失函数越小越好,因此加负号-

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_数据集_05

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_激活函数_06


在程序中,对应为BCELoss

pytorch学习笔记(五):逻辑斯蒂回归(Logistic Regression)_损失函数_07


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。


举报

相关推荐

0 条评论