⽤ nn.Module 实现⼀个多元分类的逻辑回归模型

好的，我可以为您演示如何使用 PyTorch 中的 nn.Module 实现一个多元分类的逻辑回归模型。与二元分类不同，多元分类需要使用 Softmax 函数将输出值转化为各个类别的概率分布。

以下是一个简单的多元分类逻辑回归模型的示例代码：

import torch
import torch.nn as nn

class MultinomialLogisticRegression(nn.Module):
    def __init__(self, input_size, num_classes):
        super(MultinomialLogisticRegression, self).__init__()
        self.linear = nn.Linear(input_size, num_classes)

    def forward(self, x):
        out = self.linear(x)
        out = nn.functional.softmax(out, dim=1)
        return out

上述代码中，我们定义了一个继承自 nn.Module 的类 MultinomialLogisticRegression，并在其中实现了构造函数和前向传播函数。构造函数中，我们定义了一个线性层（nn.Linear）作为模型的主要计算模块，并将输出大小设置为 num_classes，表示有多少个分类。在前向传播函数中，我们首先将输入数据 x 传入线性层进行计算，然后通过 softmax 函数将结果转化为各个类别的概率分布，最终输出分类结果。

最后，我们可以通过以下代码使用该模型对数据进行分类：

# 定义模型
model = MultinomialLogisticRegression(input_size=2, num_classes=3)

# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)
    loss = criterion(outputs, labels)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印日志
    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 测试模型
with torch.no_grad():
    predicted = torch.argmax(model(inputs), dim=1)
    accuracy = (predicted == labels).sum().item() / len(labels)
    print('Accuracy: {:.2f}%'.format(accuracy * 100))

其中，我们首先定义了一个输入大小为 2，输出大小为 3 的多元分类逻辑回归模型，并使用交叉熵损失函数（nn.CrossEntropyLoss）和随机梯度下降优化器（torch.optim.SGD）进行训练。训练完成后，我们使用该模型对数据进行测试，并计算分类精度。