Logistic Regression  这个名字叫做回归，做的是分类。

线性和logistic的模型：

使用的损失函数：二分类交叉熵

（这个也叫做BCELoss）

logistic要做的事：

代码：

import torch# import torch.nn.functional as F​# prepare datasetx_data = torch.Tensor([[1.0], [2.0], [3.0]])   #数据准备y_data = torch.Tensor([[0], [0], [1]])         #第0类，第1类​# design model using classclass LogisticRegressionModel(torch.nn.Module):def __init__(self):   #这里跟线性模型是一样的，没什么区别。因为没有参数，在构造函数里面不用初始化        super(LogisticRegressionModel, self).__init__()        self.linear = torch.nn.Linear(1, 1)​def forward(self, x):# y_pred = F.sigmoid(self.linear(x))        y_pred = torch.sigmoid(self.linear(x))    #先用linear做一下线性变换，再把sigmoid函数应用到计算出来的结果上面作为最后的输出。线性模型和logistic多了sigmoid这一步return y_pred​model = LogisticRegressionModel()​# construct loss and optimizer# 默认情况下，loss会基于element平均，如果size_average=False的话，loss会被累加。criterion = torch.nn.BCELoss(size_average=False)              #损失也用得不一样与线性模型（MSE）相比optimizer = torch.optim.SGD(model.parameters(), lr=0.01)​# training cycle forward, backward, updatefor epoch in range(1000):    y_pred = model(x_data)    loss = criterion(y_pred, y_data)    print(epoch, loss.item())​    optimizer.zero_grad()    loss.backward()    optimizer.step()​print('w = ', model.linear.weight.item())print('b = ', model.linear.bias.item())​x_test = torch.Tensor([[4.0]])y_test = model(x_test)print('y_pred = ', y_test.data)

关于上述的代码产生的结果进行可视化：

import numpy as npimport matplotlib. pyplot as pltx=np. linspace (0,10,200)x_t = torch.Tensor(x).view((200,1))y_t = model(x_t)y = y_t.data. numpy ()plt.plot(x,y)plt.plot([0,10],[0.5,0.5],c='r')plt.xlabel(' Hours')plt.ylabel(' Probability of Pass')plt.grid()plt.show()

练习：（关于BCELoss函数）

import mathimport torchpred = torch.tensor([[-0.2],[0.2],[0.8]])target = torch.tensor([[0.0],[0.0],[1.0]])​sigmoid = torch.nn.Sigmoid()pred_s = sigmoid(pred)print(pred_s)"""pred_s 输出tensor([[0.4502],[0.5498],[0.6900]])0*math.log(0.4502)+1*math.log(1-0.4502)0*math.log(0.5498)+1*math.log(1-0.5498)1*math.log(0.6900) + 0*log(1-0.6900)"""result = 0i=0for label in target:if label.item() == 0:        result +=  math.log(1-pred_s[i].item())else:        result += math.log(pred_s[i].item())    i+=1result /= 3print("bce：", -result)loss = torch.nn.BCELoss()print('BCELoss:',loss(pred_s,target).item())

处理多维特征的输入

数据集：文末分享。

模型：

损失和优化：（BCE）

代码：

import numpy as npimport torchimport matplotlib.pyplot as plt​# prepare datasetxy = np.loadtxt('diabetes.csv', delimiter=',', dtype=np.float32)   #“delimiter”分隔符x_data = torch.from_numpy(xy[:, :-1])  # 第一个‘：’是指读取所有行，第二个‘：’是指从第一列开始，最后一列不要y_data = torch.from_numpy(xy[:, [-1]])  # [-1] 最后得到的是个矩阵​# design model using classclass Model(torch.nn.Module):def __init__(self):super(Model, self).__init__()self.linear1 = torch.nn.Linear(8, 6)  # 输入数据x的特征是8维，x有8个特征；输出维度是6self.linear2 = torch.nn.Linear(6, 4)self.linear3 = torch.nn.Linear(4, 1)  # 三个线性模型self.sigmoid = torch.nn.Sigmoid()     # 将其看作是网络的一层，而不是简单的函数使用。nn.Sigmoid()是一个模块，，继承自Module，没有参数；用它来做计算图#激活函数可以更改，比如改为“torch.nn.ReLU()”def forward(self, x):        x = self.sigmoid(self.linear1(x))     #如果前面的激活函数改为了ReLU,这里就需要改为“self.activate(self.linear1(x)) ”        x = self.sigmoid(self.linear2(x))        x = self.sigmoid(self.linear3(x))  # y hatreturn x​model = Model()​# construct loss and optimizer# criterion = torch.nn.BCELoss(size_average = True)criterion = torch.nn.BCELoss(reduction='mean')optimizer = torch.optim.SGD(model.parameters(), lr=0.1)​epoch_list = []loss_list = []# training cycle forward, backward, updatefor epoch in range(100):    y_pred = model(x_data)      #所有的数据加载进来    loss = criterion(y_pred, y_data)    print(epoch, loss.item())    epoch_list.append(epoch)    loss_list.append(loss.item())​    optimizer.zero_grad()    loss.backward()​    optimizer.step()   #更新​plt.plot(epoch_list, loss_list)plt.ylabel('loss')plt.xlabel('epoch')plt.show()

ok。

可以使用不同的激活函数去尝试，比如：