《PyTorch深度学习实践》06 逻辑斯蒂回归代码

视频：06.逻辑斯蒂回归_哔哩哔哩_bilibili

参考文章：pytorch 深度学习实践第6讲逻辑斯蒂回归_会游泳的小雁的博客-CSDN博客

网络模型的基本框架

1步骤：

1.Prepare dataset

2.Design model using Class （inherit from nn.Module）

3.Construct loss and optimizer （using Pytorch API）

4.Training cycle （ forward, backward, update）

2. logistic回归的代码实现以及网络模型的基本框架代码

# 06 逻辑斯蒂回归
import os
os.environ['KMP_DUPLICATE_LIB_OK']='True'
import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt#------------01：数据集的准备 （复杂的进行封装）--------------------------
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]]) #变化之处：变成分类#------------02：设计模型（来计算y_pred) --------------------------------
class LogisticRegressionModel(torch.nn.Module):# 初始化函数和线性回归模型的一样，因为logistic函数中没有新的参数需要初始化def __init__(self):super(LogisticRegressionModel, self).__init__()self.linear = torch.nn.Linear(1, 1)def forward(self, x):y_pred = torch.sigmoid(self.linear(x))  #增加sigmoid的非线性的变换return y_pred
model = LogisticRegressionModel()#------------03：构建损失函数和优化器 -----------------------------------
criterion = torch.nn.BCELoss(reduction = 'sum')   #把线性的MSELoss变成BCELoss
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) #优化器#------------04：做训练的循环 ------------------------------------------
for epoch in range(1000):y_pred = model(x_data)loss = criterion(y_pred, y_data)print(epoch, loss) # loss为一个对象，但会自动调用__str__()所以不会出错optimizer.zero_grad()  # 将梯度值清0loss.backward()    # 反向传播求梯度optimizer.step()    # 优化器 更新权重#------------- 测试-----------------
x = np.linspace(0, 10, 200)  # 返回0-10等间距的200个数
x_t = torch.Tensor(x).view((200, 1))  # reshape成一个200行1列的矩阵tensor
y_t = model(x_t)  # 传入模型进行测试
y = y_t.data.numpy()  # 调用numpy将y_t变成n维数组
# 图像类似logistic函数
plt.plot(x, y)
# y=0.5那条红色的横线
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()  #显示网格线 1=True=默认显示；0=False=不显示
plt.show()

结果如下：

《PyTorch深度学习实践》06 逻辑斯蒂回归代码相关推荐

PyTorch深度学习实践06
Logistic Regression 逻辑回归但是做分类 import os import os os.environ["KMP_DUPLICATE_LIB_OK"]=" ...
Pytorch深度学习笔记（七）逻辑斯蒂回归
目录 1. logistic(逻辑斯蒂)函数 2.二分类任务(binary classification)损失函数 3.二分类任务(binary classification)最小批量损失函数 4.逻 ...
《PyTorch深度学习实践》
[<PyTorch深度学习实践>完结合集] https://www.bilibili.com/video/BV1Y7411d7Ys/?share_source=copy_web&v ...
刘二大人 PyTorch深度学习实践笔记 P6 逻辑斯蒂回归
刘二大人 PyTorch深度学习实践笔记 P6 逻辑斯蒂回归 P6 逻辑斯蒂回归 1.torchversion 提供的数据集 2.基本概念 3.代码实现 P6 逻辑斯蒂回归 1.torchversi ...
PyTorch深度学习实践（b站刘二大人）P6讲逻辑斯蒂回归 Logistic Regression
1.分类任务的数据集 ① The MNIST Dataset:handwritten digits Training set: 60,000 examples, Test set: 10,000 ex ...
《PyTorch深度学习实践》完结合集--B站刘二大人学习总结
本篇主要是各类模型的基本介绍及应用,不涉及深层技术. 学习视频指路→B站指路代码实践指路→代码指路课件获取:通过百度网盘分享的文件:PyTorch深- 链接:https://pan.baidu.c ...
【PyTorch】PyTorch深度学习实践|视频学习笔记|P6-P9
PyTorch深度学习实践逻辑斯蒂回归及实现背景与概念基于分类问题中属性是类别性的,所以不能采取基于序数的线性回归模型,而提出了新的分类模型--逻辑斯蒂回归模型,输出每个样本在各个预测值上的概率 ...
笔记|（b站）刘二大人：pytorch深度学习实践（代码详细笔记，适合零基础）
pytorch深度学习实践笔记中的代码是根据b站刘二大人的课程所做的笔记,代码每一行都有注释方便理解,可以配套刘二大人视频一同使用. 用PyTorch实现线性回归 # 1.算预测值 # 2.算los ...
【刘二大人 - PyTorch深度学习实践】学习随手记（一）
目录 1. Overview 1.Human Intelligence 2.Machine Learning 3.How to develop learning system? 4.Tradition ...

《PyTorch深度学习实践》06 逻辑斯蒂回归代码

网络模型的基本框架

1步骤：

《PyTorch深度学习实践》06 逻辑斯蒂回归代码相关推荐

最新文章

热门文章

《PyTorch深度学习实践》06 逻辑斯蒂回归 代码

网络模型的基本框架

1步骤：

《PyTorch深度学习实践》06 逻辑斯蒂回归 代码相关推荐

最新文章

热门文章

《PyTorch深度学习实践》06 逻辑斯蒂回归代码

《PyTorch深度学习实践》06 逻辑斯蒂回归代码相关推荐