用PyTorch实现Logistic回归

以下是使用PyTorch实现Logistic回归的示例代码：

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

# 定义数据集
x_data = [[1.0], [2.0], [3.0], [4.0], [5.0], [6.0], [7.0], [8.0]]
y_data = [[0.], [0.], [0.], [0.], [1.], [1.], [1.], [1.]]

# 转化为Tensor
x_train = torch.FloatTensor(x_data)
y_train = torch.FloatTensor(y_data)

# 定义模型
class LogisticRegression(nn.Module):
    def __init__(self):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(1, 1)
        self.sigmoid = nn.Sigmoid()
        
    def forward(self, x):
        x = self.linear(x)
        x = self.sigmoid(x)
        return x

# 初始化模型和优化器
model = LogisticRegression()
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(1000):
    # 前向传播
    hypothesis = model(x_train)
    # 计算损失函数
    loss = nn.BCELoss()(hypothesis, y_train)
    # 反向传播
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    # 打印损失函数
    if epoch % 100 == 0:
        print('Epoch {:4d}/{} Loss: {:.6f}'.format(
            epoch, 1000, loss.item()
        ))

# 测试模型
with torch.no_grad():
    hypothesis = model(x_train)
    predicted = (hypothesis > 0.5).float()
    accuracy = (predicted == y_train).float().mean()
    print('Accuracy: {:.2f}%'.format(accuracy * 100))

在这个示例中，我们使用单变量的数据集，将其转化为PyTorch Tensor，并定义了一个名为`LogisticRegression`的模型。该模型有一个线性层和一个sigmoid激活函数。我们使用BCELoss作为损失函数，使用随机梯度下降（SGD）优化器进行训练。在训练过程中，我们使用`optimizer.zero_grad()`将梯度归零，使用`loss.backward()`计算梯度，使用`optimizer.step()`对模型参数进行更新。最后，我们使用测试数据集对模型进行测试，并计算准确率。