PyTorch实现二分类（单特征输出+单层神经网络）

二分类问题的实现方法，核心是把线性回归的 "连续值输出" 改成 "0/1 类别概率输出"。最基础常用的二分类模型基于逻辑回归（Logistic Regression）。

线性回归实现方式：PyTorch实现线性回归-CSDN博客

二分类本质上也是一种回归（Regression）问题，在上述线性回归的基础上修改就可以实现。下面是线性回归与二分类任务的差异：

|--------|-------------------|------------------------------|
| 环节 | 线性回归（回归任务） | 二分类（分类任务） |
| 输出目标 | 连续数值（如 y=2x 的预测值） | 0/1 类别概率（0≤P≤1） |
| 核心激活函数 | 无（直接输出线性结果） | Sigmoid（把线性输出映射到 0-1） |
| 损失函数 | MSELoss（均方误差） | BCELoss（二元交叉熵损失） |
| 预测逻辑 | 直接取输出值 | 概率 > 0.5 归为 1 类，≤0.5 归为 0 类 |

1. 准备数据集（Prepare Dataset）

对比线性回归，数据格式还是 Tensor，但标签y_data是0/1 离散值，这是分类任务的核心特征。

python 复制代码

import torch

# 构造数据集：特征x（学分），标签y（0=不及格，1=及格）
# 样本：[1.0], [2.0], [3.0] → 标签：0,0,1
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])

2. 设计模型（Design model）

python 复制代码

class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = torch.nn.Linear(1, 1)
    
    def forward(self, x):
        # 核心：线性输出 + Sigmoid激活 → 映射到0-1概率
        y_pred = torch.sigmoid(self.linear(x))
        return y_pred


model = LogisticRegressionModel()

Sigmoid函数公式：
forward 中增加torch.sigmoid()：** 把线性层的 "任意实数输出" 压缩到0~1 区间，这个值就是 "样本属于 1 类的概率"。

3. 构造损失函数（Construct Loss）

python 复制代码

criterion = nn.BCELoss(reduction='sum')

BCELoss：二元交叉熵损失，是二分类的专用损失。

关于二元交叉熵损失函数的介绍，参考文章PyTorch_conda-CSDN博客中《nn.BCELoss（二元交叉熵损失）》一节。

4. 构造优化器（Construct Optimizer）

python 复制代码

optimizer = torch.optim.SGD(model.parameters(), lr=0.0001)

5. 训练循环（Training Cycle）

python 复制代码

for epoch in range(1000):
    y_pred = model(x_data)  # 前向传播（计算预测值)
    loss = criterion(y_pred, y_data)  # 计算损失值
    print(epoch, loss.item())
 
    optimizer.zero_grad()  # 梯度清零
    loss.backward()  # 反向传播计算梯度
    optimizer.step()  # 更新参数

完整代码实例

python 复制代码

import torch
import torch.nn as nn

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


class LogisticRegressionModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.linear = nn.Linear(1, 1)
    
    def forward(self, x):
        return torch.sigmoid(self.linear(x))

model = LogisticRegressionModel()

criterion = nn.BCELoss(reduction='sum')
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)


for epoch in range(10000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
 
    if epoch % 1000 == 0:
        print(f"Epoch: {epoch}, Loss: {loss.item():.4f}")
    
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()


x_test = torch.Tensor([[4.0]])
y_test_pred = model(x_test)
print("\n测试结果：")
print('y_pred = ', y_test_pred.data)

# 查看模型参数
print(f"\n模型权重：{model.linear.weight.item():.6f}")
print(f"模型偏置：{model.linear.bias.item():.6f}")