逻辑回归pytorch实现

你可以使用PyTorch来实现逻辑回归模型。下面是一个简单的逻辑回归实现示例：

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

# 创建数据集
X_train = torch.tensor([[1.0], [2.0], [3.0], [4.0]])
y_train = torch.tensor([[0.0], [0.0], [1.0], [1.0]])

# 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)  # 输入特征的维度为1，输出特征的维度为1

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

model = LogisticRegression()

# 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)

# 训练模型
num_epochs = 1000
for epoch in range(num_epochs):
    # 前向传播
    outputs = model(X_train)
    loss = criterion(outputs, y_train)

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

    # 每100次迭代打印一次损失函数值
    if (epoch+1) % 100 == 0:
        print(f"Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}")

# 使用训练好的模型进行预测
X_test = torch.tensor([[5.0], [6.0]])
preds = model(X_test)
print("Predictions:", preds.round())

在这个示例中，我们使用PyTorch创建了一个简单的逻辑回归模型。首先，我们定义了一个继承自`nn.Module`的`LogisticRegression`类，并在其构造函数中定义了一个线性层作为模型的唯一层。然后，我们实现了`forward`方法，该方法将输入数据通过线性层和sigmoid激活函数进行处理，并返回输出结果。

接下来，我们定义了损失函数（二分类交叉熵损失函数）和优化器（随机梯度下降优化器）。然后，我们使用训练数据进行模型训练，通过计算前向传播和反向传播来更新模型参数。最后，我们使用训练好的模型进行预测，并输出预测结果。

这是一个简单的逻辑回归实现示例，你可以根据自己的需求进行修改和扩展。希望对你有所帮助！