这篇文章将为大家详细讲解有关Pytorch基础中的逻辑回归是怎么样的，文章内容质量较高，因此小编分享给大家做个参考，希望大家阅读完这篇文章后对相关知识有一定的了解。
创新互联公司专注于固始网站建设服务及定制，我们拥有丰富的企业做网站经验。 热诚为您提供固始营销型网站建设，固始网站制作、固始网页设计、固始网站官网定制、小程序开发服务，打造固始网络公司原创品牌,更为您提供固始网站排名全网营销落地服务。
对于简单逻辑回归，我们可以采用一个神经网络进行表示：
所以可以看到，输入为两个输入，所以对应的权值也是两个，权值矩阵为2*1的矩阵；
输出为o=w1*x1+w2*x2；
对于三个样本，可以看到如下公式：
所以转换为矢量乘积方式：
所以，针对于三个参数，可以得到梯度向量：
num_inputs=2#输入个数 num_examples=1000#样本个数 true_w=[2,-3.4] #w参数矩阵 true_b=4.2 #b偏置参数 features=torch.tensor(np.random.normal(0,1,(num_examples,num_inputs)),dtype=torch.float) #构建基本样本集：其中采用0~1的分布采样，输入的样本集为2*1000； labels=true_w[0]*features[:,0]*features[:,0]+true_w[1]*features[:,1]+true_b #标签集，也就是最后的y，直接进行公式累乘即可； labels+=torch.tensor(np.random.normal(0,0.01,size=labels.size()),dtype=torch.float) #增加一个扰动项 batch_size=10 dataset=Data.TensorDataset(features,labels) #使用Data函数构建数据集； data_iter=Data.DataLoader(dataset,batch_size,shuffle=True) #对构建的dataset进行切分，按照的个数参照batch_size
对于输入可以参照上述，对于自己的数据集可以直接采用Data.TensorDataset来进行构造；
之后我们指定网络的结构和初始参数，直接进行加载dataset进行参数学习即可；
对于网络结构的定义，通常有两种方式：
1.采用类继承进行定义；
2.通过使用函数传参逐层累加的方式进行定义；
如果通过类继承进行定义：
class LinearNet(nn.Module): def __init__(self, n_feature): super(LinearNet, self).__init__() self.linear = nn.Linear(n_feature, 1) # forward 定义前向传播 def forward(self, x): y = self.linear(x) return y net = LinearNet(num_inputs)
可以看到LinearNet类继承自nn.Module类；
如果通过逐层类加进行定义：
通常是使用Sequential函数进行定义：
# 写法一
net = nn.Sequential(
nn.Linear(num_inputs, 1)
# 此处还可以传入其他层
)
# 写法二
net = nn.Sequential()
net.add_module('linear', nn.Linear(num_inputs, 1))
# net.add_module ......
# 写法三
from collections import OrderedDict
net = nn.Sequential(OrderedDict([
('linear', nn.Linear(num_inputs, 1))
# ......
]))可以看到三种最常用的方法；
其实网络结构写法很多，也可以采用自己定义的网络构造函数返回一个net，这样也是比较常见的操作；
在构建网络后，需要初始化模型参数，也就是要把网络中的w，b全部给予一个默认值：
init.normal_(net[0].weight,mean=0,std=0.01) init.constant_(net[0].bias,val=0)
将权重参数每个元素初始化为随机采样于均值为0、标准差为0.01的正态分布，偏差初始化为零；
之后我们定义一个损失函数，对于线性回归，采用MSEloss即可；
对于优化器，我们采用learning rate=0.03，SGD梯度下降算法进行优化；
loss=nn.MSELoss() optimizer=optim.SGD(net.parameters(),lr=0.003);
对于学习率的调整，我们也可以进行动态调整，例如分层调整，动态调整：
optimizer =optim.SGD([
# 如果对某个参数不指定学习率，就使用最外层的默认学习率
{'params': net.subnet1.parameters()}, # lr=0.03
{'params': net.subnet2.parameters(), 'lr': 0.01}
], lr=0.03)
# 调整学习率
for param_group in optimizer.param_groups:
param_group['lr'] *= 0.1 # 学习率为之前的0.1倍num_epochs = 3
for epoch in range(1, num_epochs + 1):
for X, y in data_iter:
output = net(X)
l = loss(output, y.view(-1, 1))
optimizer.zero_grad() # 梯度清零，等价于net.zero_grad()
l.backward()
optimizer.step()
print('epoch %d, loss: %f' % (epoch, l.item()))
dense = net[0]
print(true_w, dense.weight)
print(true_b, dense.bias)所以看到，最后可以通过查看参数，来进行对比；
值得注意的是，每轮训练之后，要记得将优化器的残留梯度清0，防止累加；
关于Pytorch基础中的逻辑回归是怎么样的就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
