使用 Python 和 torch 库实现逻辑回归

要使用 Python 和 torch 库实现逻辑回归，你可以按照以下步骤进行操作：

1. 导入所需的库：

import torch
import torch.nn as nn
import torch.optim as optim

2. 准备数据：

# 假设你有输入特征 x 和对应的标签 y
x = torch.tensor([[1.0], [2.0], [3.0], [4.0]])  # 输入特征
y = torch.tensor([[0], [0], [1], [1]])  # 对应的标签

3. 定义逻辑回归模型：

class LogisticRegression(nn.Module):
    def __init__(self):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(1, 1)  # 输入维度为1，输出维度为1

    def forward(self, x):
        out = torch.sigmoid(self.linear(x))
        return out

model = LogisticRegression()

4. 定义损失函数和优化器：

criterion = nn.BCELoss()  # 二分类交叉熵损失函数
optimizer = optim.SGD(model.parameters(), lr=0.01)  # 使用随机梯度下降优化器，学习率为0.01

5. 训练模型：

num_epochs = 1000  # 迭代次数

for epoch in range(num_epochs):
    # 前向传播
    outputs = model(x)
    loss = criterion(outputs, y)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

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

6. 使用模型进行预测：

model.eval()  # 设置模型为评估模式
with torch.no_grad():
    predicted = model(x)
    predicted = predicted.round()  # 四舍五入取整

print('Predicted:', predicted)

这样就完成了使用 Python 和 torch 库实现逻辑回归的过程。请注意，这只是一个简单的示例，实际应用中可能需要根据具体情况进行调整和扩展。