logistic 適用於分類問題。 同之前引入所需要的庫

import torch
import torch.nn as nn
from torch.autograd import Variable
import numpy as np
import matplotlib.pyplot as plt

建立模型，使用Sigmoid函式

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
 

例項化，選擇損失函式和優化函式。 由於選擇的是Sigmoid函式，所以損失函式選擇BCE，公式為

????=−(?∗???(?̂)+(1−?)∗???(1−?̂))loss=−(y∗log(y^{)+(1−y)∗log(1−y})) 優化方式還是選擇梯度下降法，找到損失函式的梯度，沿著梯度的方向進行優化，以便找到損失的極小值，來確定引數。

logistic_model = LogisticRegression()
criterion = nn.BCELoss()
optimizer = torch.optim.SGD(logistic_model.parameters(), lr=1e-3, omentum=0.9)

 

開始訓練

for epoch in range(50000):
    x = Variable(x_data)
    y = Variable(y_data）
    # forward

    out = logistic_model(x)
    loss = criterion(out, y)
    print_loss = loss.item()
    mask = out.ge(0.5).float()
    correct = (mask == y).sum()
    acc = correct.item() / x.size(0)
    # backward

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
 

最後的結果如下：

w0, w1 = logistic_model.lr.weight[0]
w0 = w0.item()
w1 = w1.item()
b0 = logistic_model.lr.bias.item()

plot_x = np.arange(30, 100, 0.1)
plot_y = (-w0 * plot_x - b0) / w1