一、一些数据集的获取 1、手写数字数据集MNIST Dataset
第一个参数数据集保存位置 train=True 训练集，False测试集 第一次用 download=True 会自动连网下载 2、交通工具分类数据集The CIFAR-10 dataset
二、逻辑斯蒂回归主要处理分类问题 分类问题使用激活函数Sigmoid（将数值映射为[0,1]的概率） Sigmoid函数有多种形式
损失函数用到交叉熵： 交叉熵，用以比较两个分部之间的差异，数值越大越好
损失函数越小越好，因此加负号-
在程序中，对应为BCELoss
总体代码：
代码语言：javascript复制import torch
import numpy as np
import matplotlib.pyplot as plt
import torch.nn.functional as F
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
super(LogisticRegressionModel, self).__init__()
self.linear = torch.nn.Linear(1, 1) # 1,1表示设置的线性模型中有两个参数w和b
def forward(self, x):
y_pred = F.sigmoid(self.linear(x))
return y_pred
model = LogisticRegressionModel()
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(100):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
#用以代入数据做检测
x = 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()和上一篇线性回归相比，代码该变量不大，代码细节可参照本专栏上一篇博文。
