pytorch深度学习逻辑回归 logistic regression

python 复制代码
# logistic regression 二分类
# 导入pytorch  和 torchvision
import numpy as np
import torch
import torchvision
from torch.autograd import Variable
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt

x_data = torch.tensor([[1.0], [2.0], [3.0]])  # x_data是一个张量
y_data = torch.Tensor([[0], [0], [1]])  # Tensor是一个类，tesor是一个张量


# 定义logistic regression模型
class LogisticRegressionModel(nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()  # 等价于nn.Module.__init__(self)
        self.linear = nn.Linear(1, 1)  # 输入和输出的维度都是1

    def forward(self, x):  # forward函数是必须要有的，用来构建计算图
        # 二分类问题，所以用sigmoid函数作为激活函数
        y_pred = torch.sigmoid(self.linear(x))  # forward
        return y_pred


model = LogisticRegressionModel()  # 实例化一个模型
criterion = nn.BCELoss(size_average=False)  # 损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 优化器 lr为学习率

# 训练模型
for epoch in range(100):  # 训练100次
    y_pred = model(x_data)  # forward
    loss = criterion(y_pred, y_data)  # compute loss
    print(epoch, loss.item())  # 打印loss

    optimizer.zero_grad()  # 梯度清零
    loss.backward()  # backward
    optimizer.step()  # update

# 测试模型
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print("predict (after training)", y_test.data)  # 预测

# 绘制训练次数和预测值的关系
x = np.linspace(0, 10, 200)  # 从0到10均匀取200个点
x_t = torch.Tensor(x).view(200, 1)  # 转换成200行1列的张量 用Tensor是因为要用到torch.sigmoid
y_t = model(x_t)  # 预测
y = y_t.data.numpy()  # 转换成numpy数组
plt.plot(x, y)  # 绘制预测值和x的关系
plt.plot([0, 10], [0.5, 0.5], c='r')  # 绘制y=0.5的直线
plt.xlabel("Hours")  # x轴标签
plt.ylabel("Probability of Pass")  # y轴标签
plt.grid()  # 绘制网格
plt.show()  # 显示图像
结果