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
1
2
3
4
5
6
7
8
9
10
|
#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 |
1
2
3
4
5
6
7
8
9
10
11
|
#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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
|
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
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持服务器之家。
原文链接:https://blog.csdn.net/zeroooo000oo/article/details/107885489