利用torch.nn实现logistic回归在人工构造的数据集上进行训练和测试

利用torch.nn实现logistic回归在人工构造的数据集上进行训练和测试：

（1）（2）（3）同手动实现

（4）构建内置迭代器

1. #构建迭代器  
2. lr = 0.03  
3. batch_size = 10  
4. # 将训练数据的特征和标签组合  
5. dataset = Data.TensorDataset(x, y)  
6.   
7. # 把 dataset 放入 DataLoader  
8. data_iter = Data.DataLoader(  
9.     dataset=dataset, # torch TensorDataset format  
10.     batch_size=batch_size, # mini batch size  
11.     shuffle=True, # 是否打乱数据 (训练集一般需要进行打乱)  
12.     num_workers=0, # 多线程来读数据，注意在Windows下需要设置为0  
13. ) 

（5）构建Logistic模型

1. #构建Logistic模型  
2. class LogisticNet(torch.nn.Module):  
3.     def __init__(self, n_feature):  
4.         super(LogisticNet, self).__init__()  
5.         self.linear = torch.nn.Linear(n_feature, 1)  
6.         self.sigmoid = torch.nn.Sigmoid()  
7. # forward 定义前向传播  
8.     def forward(self, x):  
9.         x = self.linear(x)  
10.         x = self.sigmoid(x)  
11.         return x  
12. net = LogisticNet(2)  

（6）参数初始化和定义损失函数及优化方法

1. #参数初始化  
2. init.normal_(net.linear.weight, mean=0, std=1.0)  
3. init.constant_(net.linear.bias, val=0)  # 也可以直接修改bias的data:net[0].bias.data.fill_(0)  
4. #损失函数和优化方法  
5. loss = torch.nn.BCELoss()  
6. optimizer = optim.SGD(net.parameters(), lr=0.03) #梯度下降的学习率指定为0.03  

（7）开始训练并输出每轮最后一批次训练集的平均损失

1. #开始训练并计算每轮损失  
2. num_epochs = 20  
3. for epoch in range(1, num_epochs + 1):  
4.     for X, Y in data_iter:  
5.         output = net(X)  
6.         l = loss(output, Y.view(-1, 1))  
7.         optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()  
8.         l.backward()  
9.         optimizer.step()  
10.     print('epoch %d, loss: %f' % (epoch, l.item()))#仅最后一批训练集的损失的均值  
11. # 训练集上的正确率  
12.     allTrain = 0  
13.     rightTrain = 0  
14.     for train_x, train_y in data_iter:  
15.         allTrain += len(train_y)  
16.         train_out = net(train_x)  
17.         mask = train_out.ge(0.5).float()  
18.         correct = (mask.view(-1, 1) == train_y.view(-1, 1)).sum()  
19.         rightTrain += correct.float().sum()  
20.     print('train accuracy: %f' % (rightTrain/allTrain))