torch 逻辑回归

逻辑回归是一种用于二元分类的机器学习算法。与线性回归不同，逻辑回归输出的是样本对应的概率，而不是连续的数值。在构建模型时，逻辑回归比线性回归多了一步使用sigmoid函数对线性输出进行非线性化处理。[1]

在PyTorch中，可以使用torch.nn.Module来定义逻辑回归模型。下面是一个简单的逻辑回归模型的示例代码：

import torch
import torch.nn.functional as F

x_data = torch.Tensor([[1.0],[2.0],[3.0]])
y_data = torch.Tensor([[0],[0],[1]])

class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)
        
    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred

model = LogisticRegressionModel()

criterion = torch.nn.BCELoss()
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)

for epoch in range(100):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print("当前的epoch:", epoch, 'loss的值为：', loss.item())
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

在这个示例中，我们定义了一个LogisticRegressionModel类，继承自torch.nn.Module。模型中包含一个线性层torch.nn.Linear(1, 1)，输入维度为1，输出维度为1。在forward方法中，我们使用sigmoid函数对线性输出进行非线性化处理。然后，我们定义了损失函数torch.nn.BCELoss()和优化器torch.optim.SGD()。在训练过程中，我们通过循环迭代来更新模型的参数，使得损失函数的值逐渐减小。[2]

在逻辑回归中，我们可以根据模型的输出概率来进行分类。例如，如果输出概率大于0.5，则将样本分类为正类；否则，将样本分类为负类。[3]