# logistic regression 二分類
# 導(dǎo)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是一個張量
y_data = torch.Tensor([[0], [0], [1]])  # Tensor是一個類，tesor是一個張量


# 定義logistic regression模型
class LogisticRegressionModel(nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()  # 等價(jià)于nn.Module.__init__(self)
        self.linear = nn.Linear(1, 1)  # 輸入和輸出的維度都是1

    def forward(self, x):  # forward函數(shù)是必須要有的，用來構(gòu)建計(jì)算圖
        # 二分類問題，所以用sigmoid函數(shù)作為激活函數(shù)
        y_pred = torch.sigmoid(self.linear(x))  # forward
        return y_pred


model = LogisticRegressionModel()  # 實(shí)例化一個模型
criterion = nn.BCELoss(size_average=False)  # 損失函數(shù)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)  # 優(yōu)化器 lr為學(xué)習(xí)率

# 訓(xùn)練模型
for epoch in range(100):  # 訓(xùn)練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

# 測試模型
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print("predict (after training)", y_test.data)  # 預(yù)測

# 繪制訓(xùn)練次數(shù)和預(yù)測值的關(guān)系
x = np.linspace(0, 10, 200)  # 從0到10均勻取200個點(diǎn)
x_t = torch.Tensor(x).view(200, 1)  # 轉(zhuǎn)換成200行1列的張量 用Tensor是因?yàn)橐玫絫orch.sigmoid
y_t = model(x_t)  # 預(yù)測
y = y_t.data.numpy()  # 轉(zhuǎn)換成numpy數(shù)組
plt.plot(x, y)  # 繪制預(yù)測值和x的關(guān)系
plt.plot([0, 10], [0.5, 0.5], c='r')  # 繪制y=0.5的直線
plt.xlabel("Hours")  # x軸標(biāo)簽
plt.ylabel("Probability of Pass")  # y軸標(biāo)簽
plt.grid()  # 繪制網(wǎng)格
plt.show()  # 顯示圖像

結(jié)果

?文章來源地址http://www.zghlxwxcb.cn/news/detail-599339.html

到了這里，關(guān)于pytorch深度學(xué)習(xí)邏輯回歸 logistic regression的文章就介紹完了。如果您還想了解更多內(nèi)容，請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！