PyTorch线性回归和逻辑回归实战示例 - 行业资讯 - 肥雀云

使用PyTorch定义线性回归模型一般分以下几步:
　　

1。设计网络架构
　　2 .构建损失函数(损失)和优化器(优化)
　　3 .训练(包括前馈(向前),反向传播(向后),更新模型参数(更新))

　　　　　　#作者:yuquanle 　　#数据:2018.2.5 　　#研究LinearRegression PyTorch使用　　　　进口火炬　　从火炬。autograd导入变量　　　　#训练数据　　x_data=https://www.yisu.com/zixun/Variable (torch.Tensor ([[1.0], [2.0], [3.0]])) 　　y_data=变量(torch.Tensor ([[2.0], [4.0], [6.0]])) 　　　　类模型(torch.nn.Module): 　　def __init__(自我): 　　超级(模型、自我). __init__ () 　　自我。线性=torch.nn。线性(1,1)# alt=" PyTorch线性回归和逻辑回归实战示例">

下面为乙状结肠函数:
　　

PyTorch线性回归和逻辑回归实战示例“> 
　　
　　在逻辑回归中,我们预测如果当输出大于0.5时,y=1,否则y=0。
　　损失函数一般采用交叉熵损失: 
　　
　　 <img src=

　　　　　　#日期:2018.2.6 　　# LogisticRegression 　　　　进口火炬　　从火炬。autograd导入变量　　　　x_data=https://www.yisu.com/zixun/Variable (torch.Tensor ([[0.6], [1.0], [3.5], [4.0]])) 　　y_data=变量(torch.Tensor ([[0。]、[0。[1]。],[1]])) 　　　　类模型(torch.nn.Module): 　　def __init__(自我): 　　超级(模型、自我). __init__ () 　　自我。线性=torch.nn。线性(1,1)# alt=" PyTorch线性回归和逻辑回归实战示例">

更深的网络:
　　

PyTorch线性回归和逻辑回归实战示例

采用下面数据集(下载地址:https://github.com/hunkim/PyTorchZeroToAll/tree/master/data)
　　

PyTorch线性回归和逻辑回归实战示例“> 
　　
　　输入维度为八。
　　
　　<pre类= 　　#作者:yuquanle 　　#日期:2018.2.7 　　#深和宽　　　　　　进口火炬　　从火炬。autograd导入变量　　进口numpy np 　　　　xy=np.loadtxt(’。/数据/糖尿病。csv,分隔符=',',dtype=np.float32) 　　x_data=https://www.yisu.com/zixun/Variable (torch.from_numpy (xy (:, 0: 1))) 　　y_data=变量(torch.from_numpy (xy [: [1]])) 　　　　#打印(x_data.data.shape) 　　#打印(y_data.data.shape) 　　　　类模型(torch.nn.Module): 　　def __init__(自我): 　　超级(模型、自我). __init__ () 　　自我。l1=torch.nn。线性(8、6) 　　自我。l2=torch.nn。线性(4) 　　自我。l3=torch.nn。线性(4,1) 　　自我。乙状结肠=torch.nn.Sigmoid () 　　　　def向前(自我,x): 　　x=self.sigmoid (self.l1 (x)) 　　x=self.sigmoid (self.l2 (x)) 　　y_pred=self.sigmoid (self.l3 (x)) 　　返回y_pred 　　　　#我们的模型　　模型=() 　　　　cirterion=torch.nn.BCELoss (size_average=True) 　　优化器=torch.optim.SGD (model.parameters (), lr=0.001) 　　　　hour_var=变量(torch.Tensor ([[-0.294118, 0.487437, 0.180328, -0.292929, 0, 0.00149028, -0.53117, -0.0333333)))) 　　打印(“(培训之前)”model.forward (hour_var) . data [0] [0]) 　　　　#循环培训　　时代的范围(1000): 　　y_pred=模型(x_data) 　　# y_pred, y_data不能写反(因为损失函数为交叉熵损失) 　　损失=cirterion (y_pred y_data) 　　optimizer.zero_grad () 　　loss.backward () 　　optimizer.step () 　　如果时代% 50==0: 　　打印(时代,loss.data [0]) 　　　　　　#训练后　　hour_var=变量(torch.Tensor ([[-0.294118, 0.487437, 0.180328, -0.292929, 0, 0.00149028, -0.53117, -0.0333333)))) 　　打印(“预测(训练后)”model.forward (hour_var) . data [0] [0]) 　　　　之前

结果:
　　

　　
0.5091859698295593(培训之前)
　　0.6876295208930969 0
　　50 0.6857835650444031
　　100年0.6840178370475769
　　150年0.6823290586471558
　　200年0.6807141900062561
　　250年0.6791688203811646
　　300年0.6776910424232483
　　350年0.6762782335281372
　　400年0.6749269366264343
　　450年0.6736343502998352
　　500年0.6723981499671936
　　550年0.6712161302566528
PyTorch线性回归和逻辑回归实战示例