wordpress网站安装,网站建设费做什么,网站设计站点管理,php做学校网站免费下载0.1 学习视频源于#xff1a;b站#xff1a;刘二大人《PyTorch深度学习实践》
0.2 本章内容为自主学习总结内容#xff0c;若有错误欢迎指正#xff01;
代码#xff08;类比线性回归#xff09;#xff1a;
# 调用库
import torch
import torch.nn.functional as F#…0.1 学习视频源于b站刘二大人《PyTorch深度学习实践》
0.2 本章内容为自主学习总结内容若有错误欢迎指正
代码类比线性回归
# 调用库
import torch
import torch.nn.functional as F# 数据准备
x_data torch.Tensor([[1.0], [2.0], [3.0]]) # 训练集输入值
y_data torch.Tensor([[0], [0], [1]]) # 训练集输出值# 定义逻辑回归模型
class LogisticRegressionModel(torch.nn.Module):def __init__(self):super(LogisticRegressionModel, self).__init__() # 调用父类构造函数self.linear torch.nn.Linear(1, 1) # 实例化torch库nn模块的Linear类特征一维输出一维def forward(self, x):前馈运算:param x: 输入值:return: 线性回归预测结果y_pred F.sigmoid(self.linear(x))return y_predmodel LogisticRegressionModel() # 实例化criterion torch.nn.BCELoss(size_averageFalse) # 损失函数
optimizer torch.optim.SGD(model.parameters(), lr0.01) # 优化器——梯度下降SGD# 训练过程
for epoch in range(1000): # epoch训练轮次y_pred model(x_data)loss criterion(y_pred, y_data)print(epoch, loss.item())optimizer.zero_grad() # 梯度归零loss.backward() # 反向传播optimizer.step() # 权重自动更新print(w , model.linear.weight.item())
print(b , model.linear.bias.item())# 预测过程
x_test torch.Tensor([[3.5]])
y_test model(x_test)
print(y_pred , y_test.data)
结果 注输出结果为类别是1的概率。
