《PyTorch深度學習實踐》完結合集_嗶哩嗶哩_bilibili

用Pytorch實現邏輯迴歸

Logistic Regression

從線性迴歸 →​ 邏輯迴歸

1、分類問題

計算屬於每一類的概率

用 Logistic Function 把實數空間對映到[0,1]的概率範圍空間內

2、模型變化（線性迴歸 →​ 邏輯迴歸）

2.1、模型結構變化

2.2、Loss Function的變化

為了計算兩個概率之間的差異，需要利用到交叉熵的理論。

BCELoss二分類的交叉熵

y_pred and y_data越接近，BCE Loss越小

3、完整程式碼

程式碼框架仍然分為4大部分

import torch
import torch.nn.functional as F

## Prepare Dataset:mini-batch, X、Y是3X1的Tensor
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])


##Design Model

##構造類，繼承torch.nn.Module類
class LogisticRegressionModel(torch.nn.Module):
    ## 建構函式，初始化物件
    def __init__
 
(self):
        ##super呼叫父類
        super(LogisticRegressionModel, self).__init__()
        ##構造物件，Linear Unite，包含兩個Tensor：weight和bias，引數(1, 1)是w的維度
        self.linear = torch.nn.Linear(1, 1)
        
    ## 建構函式，前饋運算
    def forward(self, x):
        ## sigmoid（w*x+b）
        y_pred = F.sigmoid(self.linear(x))
        
 
return y_pred
    
model = LogisticRegressionModel()

##Construct Loss and Optimizer

##損失函式，改為BCELoss
criterion = torch.nn.BCELoss(size_average = False)

##優化器，model.parameters()找出模型所有的引數，Lr--學習率
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)


## Training cycle

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss)
    
    ##梯度歸零
    optimizer.zero_grad()
    ##反向傳播
    loss.backward()
    ##更新
    optimizer.step()
    
## Outpue weigh and bias
print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())

## Test Model
x_test = torch.Tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)