pytorch使用nn.Moudle实现逻辑回归

本文实例为大家分享了pytorch使用nn.Moudle实现逻辑回归的具体代码,供大家参考,具体内容如下

内容

pytorch使用nn.Moudle实现逻辑回归

问题

loss下降不明显

解决方法 #源代码 out的数据接收方式      if torch.cuda.is_available():          x_data=Variable(x).cuda()          y_data=Variable(y).cuda()      else:          x_data=Variable(x)          y_data=Variable(y)     out=logistic_model(x_data)  #根据逻辑回归模型拟合出的y值     loss=criterion(out.squeeze(),y_data)  #计算损失函数 #源代码 out的数据有拼装数据直接输入 #     if torch.cuda.is_available(): #         x_data=Variable(x).cuda() #         y_data=Variable(y).cuda() #     else: #         x_data=Variable(x) #         y_data=Variable(y)     out=logistic_model(x_data)  #根据逻辑回归模型拟合出的y值     loss=criterion(out.squeeze(),y_data)  #计算损失函数     print_loss=loss.data.item()  #得出损失函数值 源代码 import torch from torch import nn from torch.autograd import Variable import matplotlib.pyplot as plt import numpy as np #生成数据 sample_nums = 100 mean_value = 1.7 bias = 1 n_data = torch.ones(sample_nums, 2) x0 = torch.normal(mean_value * n_data, 1) + bias      # 类别0 数据 shape=(100, 2) y0 = torch.zeros(sample_nums)                         # 类别0 标签 shape=(100, 1) x1 = torch.normal(-mean_value * n_data, 1) + bias     # 类别1 数据 shape=(100, 2) y1 = torch.ones(sample_nums)                          # 类别1 标签 shape=(100, 1) x_data = torch.cat((x0, x1), 0)  #按维数0行拼接 y_data = torch.cat((y0, y1), 0) #画图 plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn') plt.show() # 利用torch.nn实现逻辑回归 class LogisticRegression(nn.Module):     def __init__(self):         super(LogisticRegression, self).__init__()         self.lr = nn.Linear(2, 1)         self.sm = nn.Sigmoid()     def forward(self, x):         x = self.lr(x)         x = self.sm(x)         return x logistic_model = LogisticRegression() # if torch.cuda.is_available(): #     logistic_model.cuda() #loss函数和优化 criterion = nn.BCELoss() optimizer = torch.optim.SGD(logistic_model.parameters(), lr=0.01, momentum=0.9) #开始训练 #训练10000次 for epoch in range(10000): #     if torch.cuda.is_available(): #         x_data=Variable(x).cuda() #         y_data=Variable(y).cuda() #     else: #         x_data=Variable(x) #         y_data=Variable(y)     out=logistic_model(x_data)  #根据逻辑回归模型拟合出的y值     loss=criterion(out.squeeze(),y_data)  #计算损失函数     print_loss=loss.data.item()  #得出损失函数值     #反向传播     loss.backward()     optimizer.step()     optimizer.zero_grad()     mask=out.ge(0.5).float()  #以0.5为阈值进行分类     correct=(mask==y_data).sum().squeeze()  #计算正确预测的样本个数     acc=correct.item()/x_data.size(0)  #计算精度     #每隔20轮打印一下当前的误差和精度     if (epoch+1)%100==0:         print('*'*10)         print('epoch {}'.format(epoch+1))  #误差         print('loss is {:.4f}'.format(print_loss))         print('acc is {:.4f}'.format(acc))  #精度 w0, w1 = logistic_model.lr.weight[0] w0 = float(w0.item()) w1 = float(w1.item()) b = float(logistic_model.lr.bias.item()) plot_x = np.arange(-7, 7, 0.1) plot_y = (-w0 * plot_x - b) / w1 plt.xlim(-5, 7) plt.ylim(-7, 7) plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=logistic_model(x_data)[:,0].cpu().data.numpy(), s=100, lw=0, cmap='RdYlGn') plt.plot(plot_x, plot_y) plt.show() 输出结果

推荐阅读