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 torchfrom torch import nnfrom torch.autograd import Variableimport matplotlib.pyplot as pltimport numpy as np#生成数据sample_nums = 100mean_value = 1.7bias = 1n_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) / w1plt.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
