【PyTorch深度学习实践】05_逻辑斯蒂回归

文章目录

    • 1. 分类问题相关数据集
      • 1.1 MINIST
      • 1.2 CIFAR-10
    • 2. 回归(Regression)VS分类(Classification)
      • 2.1 模型对比
      • 2.2 损失函数对比
      • 2.3 实现代码对比
    • 3. 完整代码

之前使用线性回归解决的都是**回归(预测)**问题,逻辑斯蒂回归模型可以用来解决另一大问题——分类
注意逻辑斯蒂回归虽然名为回归,但解决的是分类问题,是最简单的分类问题模型,用于解决二分类。

1. 分类问题相关数据集

1.1 MINIST


没有数值比较指没有9>0这种概念

1.2 CIFAR-10

2. 回归(Regression)VS分类(Classification)

问题转变
【PyTorch深度学习实践】05_逻辑斯蒂回归_第1张图片本质改变
【PyTorch深度学习实践】05_逻辑斯蒂回归_第2张图片
如何映射到0-1之间——激活函数

【PyTorch深度学习实践】05_逻辑斯蒂回归_第3张图片其他激活函数
【PyTorch深度学习实践】05_逻辑斯蒂回归_第4张图片

2.1 模型对比

【PyTorch深度学习实践】05_逻辑斯蒂回归_第5张图片

2.2 损失函数对比

【PyTorch深度学习实践】05_逻辑斯蒂回归_第6张图片
mini-batch的损失函数
【PyTorch深度学习实践】05_逻辑斯蒂回归_第7张图片

2.3 实现代码对比

3. 完整代码

import torch
from torch.nn.functional import sigmoid
import matplotlib.pyplot as plt

# 数据集准备
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[0.0], [0.0], [1.0]])

# 设计模型
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self .linear = torch.nn.Linear(1,1)

    def forward(self,x):
        y_pred = sigmoid(self.linear(x))
        return y_pred
model = LogisticRegressionModel()

# 设计损失函数和优化器
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(),lr = 0.1)

epoch_list = []
loss_list = []

# 训练周期
for epoch in range(100):
    # 这里不需要在for一次然后zip(x,y)的原因是,x_data变成张量,直接可以处理张量类型,输入张量x_data,得到的y_pred也是张量
    y_pred = model(x_data)
    loss = criterion(y_pred,y_data)
    print(epoch, loss.item())

    # 得到的结果放到列表中,方便画图
    epoch_list.append(epoch)
    loss_list.append(loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred=',y_test.data)

# epoch-loss图
plt.plot(epoch_list, loss_list)
plt.xlabel('epoch')
plt.ylabel('loss')
plt.show()

epoch-loss图
【PyTorch深度学习实践】05_逻辑斯蒂回归_第8张图片

你可能感兴趣的:(#,Pytorch,深度学习,pytorch,回归)