Pytorch Logistic回归 | 易学教程

参考《深度学习入门之Pytorch》
Logistic回归实现二分类问题

1. 首先读取数据 data.txt

#logistic回归
#读取data.txt
import matplotlib.pyplot as plt
with open('data.txt','r') as f:
    data_list = f.readlines()
    data_list = [i.split('\n')[0] for i in data_list]
    data_list = [i.split(',') for i in data_list]
    data = [(float(i[0]),float(i[1]),float(i[2])) for i in data_list]
#q前两个数据表示X,Y坐标，最后一个数据表示类别

打开data.txt,前两个数据是横纵坐标，最后一个是类别0，1。这个数据有两个属性一个类别。接着把数据按类别不同画出来。

x0 = list(filter(lambda x: x[-1]==0.,data)) #filter去除不符合条件的，保留符合条件的数据
x1 = list(filter(lambda x: x[-1]==1.,data))#数据按类别筛选
plot_x0_x = [i[0] for i in x0]
plot_x0_y = [i[1] for i in x0]
plot_x1_x = [i[0] for i in x1]
plot_x1_y = [i[1] for i in x1]

plt.plot(plot_x0_x,plot_x0_y,'ro',label='x_0')
plt.plot(plot_x1_x,plot_x1_y,'gx',label='x_1')
plt.legend(loc='best')

Pytorch的操作对象是Tensor,这里要把数据类型转为Tensor.

import torch
import numpy as np
from torch import nn

# #转换数据
np_data = np.array(data, dtype='float32') # 转换成 numpy array
x_data = torch.from_numpy(np_data[:, 0:2]) # 转换成 Tensor, 大小是 [100, 2]
y_data = torch.from_numpy(np_data[:, -1]).unsqueeze(1) # 转换成 Tensor，大小是 [100, 1]

2. 构造分类模型

class LR(nn.Module):
    def __init__(self):
        super(LR,self).__init__()
        self.lr = nn.Linear(2,1)   #输入两个属性输出一个类别
        self.sm = nn.Sigmoid()     #Sigmoid激活函数就是Logistic回归的精髓
    def forward(self,x):
        x = self.lr(x)
        x = self.sm(x)
        return x
LR_model = LR()
if torch.cuda.is_available():
    LR_model.cuda()
criterion = nn.BCELoss()   #BCE是二分类损失函数 交叉熵
optimizer = torch.optim.SGD(LR_model.parameters(),lr=1e-3,momentum=0.9)

3.训练模型，如果支持CUDA，要把模型和数据都放在CUDA上运行，用 .cuda()就可以绑定。

for epoch in range(18000):
    if torch.cuda.is_available():
        x = x_data.cuda()
        y = y_data.cuda()
    else:
        x = x_data
        y = y_data
    #===========forward==================#
    out = LR_model(x)
    loss = criterion(out,y)
    mask = out.ge(0.5).float()  #把输出结果大于0.5的归于1，小于归成0
    correct = (mask==y).sum()
    acc = correct.item()/x.size(0)
    #===========backward==================#
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    if (epoch+1)%1000== 0:  #每迭代一千次，看一下当前loss,acc
        print('*'*10)
        print('epoch:{},loss is:{},acc is:{}'.format(epoch,loss.item(),acc))

结果如下：

4. 在数据图上画出分界线。

#画出分界线
w0,w1 = LR_model.lr.weight[0]  
w0 = w0.item() #tensor是标量可以用item直接转换
w1 = w1.item()
b = LR_model.lr.bias[0]
b = b.item()

plot_x = np.arange(30,100,0.1)#从之前的图大致看出x轴范围
plot_y = (-w0*plot_x-b)/w1  #w1y+w0 x+b=0直线

plt.plot(plot_x0_x,plot_x0_y,'ro',label='x_0')
plt.plot(plot_x1_x,plot_x1_y,'gx',label='x_1')
plt.legend(loc='best')
plt.plot(plot_x,plot_y)

Pytorch版本的问题，原书代码可能会有许多报错，百度一下即可。

来源：CSDN

作者：Amberrr-L

链接：https://blog.csdn.net/qq_41647438/article/details/104447041

标签

data

tensor