目录
[1. 配置虚拟环境](#1. 配置虚拟环境)
[2. 库版本介绍](#2. 库版本介绍)
[0. 导入必要的工具包](#0. 导入必要的工具包)
[1. 逻辑回归Logistic类](#1. 逻辑回归Logistic类)
[a. 构造函数__init__](#a. 构造函数__init__)
[b. call(self, x)方法](#b. call(self, x)方法)
[c. 前向传播forward](#c. 前向传播forward)
[d. 反向传播backward](#d. 反向传播backward)
[2. 模型训练](#2. 模型训练)
[3. 代码整合](#3. 代码整合)
一、实验介绍
- 实现逻辑回归模型（Logistic类）
- 实现前向传播forward
- 实现反向传播backward
二、实验环境
本系列实验使用了PyTorch深度学习框架，相关操作如下：
1. 配置虚拟环境
bash
conda create -n DL python=3.7
bash
conda activate DL
bash
pip install torch==1.8.1+cu102 torchvision==0.9.1+cu102 torchaudio==0.8.1 -f https://download.pytorch.org/whl/torch_stable.html
bash
conda install matplotlib
bash
conda install scikit-learn2. 库版本介绍
|--------------|-------------|--------|
| 软件包 | 本实验版本 | 目前最新版 |
| matplotlib | 3.5.3 | 3.8.0 |
| numpy | 1.21.6 | 1.26.0 |
| python | 3.7.16 | |
| scikit-learn | 0.22.1 | 1.3.0 |
| torch | 1.8.1+cu102 | 2.0.1 |
| torchaudio | 0.8.1 | 2.0.2 |
| torchvision | 0.9.1+cu102 | 0.15.2 |
三、实验内容
ChatGPT：
前馈神经网络（Feedforward Neural Network）是一种常见的人工神经网络模型，也被称为多层感知器（Multilayer Perceptron，MLP）。它是一种基于前向传播的模型，主要用于解决分类和回归问题。
前馈神经网络由多个层组成，包括输入层、隐藏层和输出层。它的名称"前馈"源于信号在网络中只能向前流动，即从输入层经过隐藏层最终到达输出层，没有反馈连接。
以下是前馈神经网络的一般工作原理：
输入层：接收原始数据或特征向量作为网络的输入，每个输入被表示为网络的一个神经元。每个神经元将输入加权并通过激活函数进行转换，产生一个输出信号。
隐藏层：前馈神经网络可以包含一个或多个隐藏层，每个隐藏层由多个神经元组成。隐藏层的神经元接收来自上一层的输入，并将加权和经过激活函数转换后的信号传递给下一层。
输出层：最后一个隐藏层的输出被传递到输出层，输出层通常由一个或多个神经元组成。输出层的神经元根据要解决的问题类型（分类或回归）使用适当的激活函数（如Sigmoid、Softmax等）将最终结果输出。
前向传播：信号从输入层通过隐藏层传递到输出层的过程称为前向传播。在前向传播过程中，每个神经元将前一层的输出乘以相应的权重，并将结果传递给下一层。这样的计算通过网络中的每一层逐层进行，直到产生最终的输出。
损失函数和训练：前馈神经网络的训练过程通常涉及定义一个损失函数，用于衡量模型预测输出与真实标签之间的差异。常见的损失函数包括均方误差（Mean Squared Error）和交叉熵（Cross-Entropy）。通过使用反向传播算法（Backpropagation）和优化算法（如梯度下降），网络根据损失函数的梯度进行参数调整，以最小化损失函数的值。
前馈神经网络的优点包括能够处理复杂的非线性关系，适用于各种问题类型，并且能够通过训练来自动学习特征表示。然而，它也存在一些挑战，如容易过拟合、对大规模数据和高维数据的处理较困难等。为了应对这些挑战，一些改进的网络结构和训练技术被提出，如卷积神经网络（Convolutional Neural Networks）和循环神经网络（Recurrent Neural Networks）等。
本系列为实验内容，对理论知识不进行详细阐释
（咳咳，其实是没时间整理，待有缘之时，回来填坑）
0. 导入必要的工具包
python
import torch1. 逻辑回归Logistic类
a. 构造函数__init__
python
def __init__(self):
self.inputs = None
self.outputs = None
self.params = None初始化了类的成员变量self.inputs、self.outputs和self.params，它们分别用于保存输入、输出和参数。
b. __call__(self, x)方法
__call__(self, x)方法使得该类的实例可以像函数一样被调用。它调用了forward(x)方法，将输入的x传递给前向传播方法。
python
def __call__(self, x):
return self.forward(x)c. 前向传播forward
python
def forward(self, inputs):
outputs = 1.0 / (1.0 + torch.exp(-inputs))
self.outputs = outputs
return outputs forward(self, inputs)方法执行逻辑回归的前向传播。它接受输入inputs作为参数，并通过逻辑回归的公式计算输出值outputs。最后，将计算得到的输出保存在self.outputs中，并返回输出值。
d. 反向传播backward
python
def backward(self, outputs_grads=None):
if outputs_grads is None:
outputs_grads = torch.ones(self.outputs.shape)
outputs_grad_inputs = torch.multiply(self.outputs, (1.0 - self.outputs))
return torch.multiply(outputs_grads, outputs_grad_inputs) backward(self, outputs_grads=None)方法执行逻辑回归的反向传播。
- 接受一个可选的参数
outputs_grads，用于传递输出的梯度。 - 如果没有提供
outputs_grads，则默认为全1的张量，表示对输出的梯度都为1。 - 根据逻辑回归的导数公式，可以将输出值与（1-输出值）相乘，然后再乘以传入的梯度值，得到输入的梯度。
- 返回计算得到的输入梯度。
2. 模型训练
python
act = Logistic()
x = torch.tensor([3,3,4,2])
y = act(x)
z = act.backward()
print(z)- 创建一个
Logistic的实例act； - 传入张量
x进行前向传播，得到输出张量y； - 调用
act.backward()进行反向传播，得到输入x的梯度； - 将结果打印输出。
python
tensor([0.0452, 0.0452, 0.0177, 0.1050])3. 代码整合
python
# 导入必要的工具包
import torch
class Logistic():
def __init__(self):
self.inputs = None
self.outputs = None
self.params = None
def __call__(self, x):
return self.forward(x)
def forward(self, inputs):
outputs = 1.0 / (1.0 + torch.exp(-inputs))
self.outputs = outputs
return outputs
def backward(self, outputs_grads=None):
if outputs_grads is None:
outputs_grads = torch.ones(self.outputs.shape)
outputs_grad_inputs = torch.multiply(self.outputs, (1.0 - self.outputs))
return torch.multiply(outputs_grads, outputs_grad_inputs)
act = Logistic()
x = torch.tensor([3,3,4,2])
y = act(x)
z = act.backward()
print(z)注意：
本实验仅实现了逻辑回归的前向传播和反向传播部分，缺少了模型的参数更新和训练部分。完整的逻辑回归，需要进一步编写训练循环、损失函数和优化器等部分，欲知后事如何，请听下回分解。