使用Pytorch完成逻辑回归问题 代码

好的，下面是使用PyTorch完成逻辑回归问题的代码：

import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable

# 定义逻辑回归模型
class LogisticRegression(nn.Module):
    def __init__(self):
        super(LogisticRegression, self).__init__()
        self.linear = nn.Linear(2, 1)

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

# 准备数据
x_data = Variable(torch.Tensor([[1.0, 2.0], [2.0, 3.0], [3.0, 1.0], [4.0, 3.0], [5.0, 3.0], [6.0, 2.0]]))
y_data = Variable(torch.Tensor([[0.], [0.], [0.], [1.], [1.], [1.]]))

# 实例化模型
model = LogisticRegression()

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

# 训练模型
for epoch in range(10000):
    optimizer.zero_grad()
    outputs = model(x_data)
    loss = criterion(outputs, y_data)
    loss.backward()
    optimizer.step()
    if (epoch+1) % 1000 == 0:
        print('Epoch [%d/%d], Loss: %.4f' % (epoch+1, 10000, loss.data))

# 测试模型
model.eval()
test_input = Variable(torch.Tensor([[1.0, 5.0]]))
test_output = model(test_input)
print('Predicted value on test input [1.0, 5.0]: %.4f' % test_output.data)

这个例子中，我们定义了一个包含两个特征的逻辑回归模型，并使用梯度下降算法训练模型。我们的训练数据是一些二维向量，每个向量有一个二元标签，表示属于哪一类。最后，我们使用训练好的模型进行预测。