PyTorch深度学习-06逻辑斯蒂回归(快速入门)
- 博主主页:@璞玉牧之
- 本文所在专栏:《PyTorch深度学习》
- 博主简介:21级大数据专业大学生,科研方向:深度学习,持续创作中
目录
1.Logistic Tutorial (逻辑斯蒂回归)
虽然叫回归,但用处是分类
1.1 Why use Logistic (为什么用逻辑斯蒂回归)
- 从上图中可以看出,此手写数据集一共有10个分类,即y属于{0,1,2,3,4,5,6,7,8,9},分类的目的就是要估算y属于 0到9的哪一类。
- 当用线性回归模型做分类问题时,如果输入的是第0个类别,就要让y的输出值为0,如果输入的是第1个类别,就要让y的输出值为1,以此类推。
- 然而,这种思路并不好,因为在0-9这9个分类中,7和8这两个类是挨着的,而7和9这两个类别中间隔着一个类别8,按理来说应该是7和8的输出值更接近,但实际上,从图中画圈的两个数 可以看出,从笔画的相似性上看,应该是7和9更接近。
- 所以,在分类问题中,不能用线性回归模型去做,因为这些类别中并没有实数空间中数值大小的概念(即不会认为0比9小)。
- 分类问题的核心是需要根据输入值x,算出y输出为0的概率P(0)、y输出为1的概率P(1)…一直算到y输出为9的概率P(9)。10个概率值相加等于1,通过比较算出的10个概率值的大小,找出最大概率,就可以判断输入值x属于哪一类。
- download:是否从网上下载数据集,若第一次使用,之前未下载过,就标为True。
- train:是否为训练集
1.2 Regression VS Classification (比较回归与分类)
二分类问题需计算y_hay=1和y_hay=0的概率,但实际上只计算一个值即可。二分类问题只输出1个实数,这个实数表示其中某一个分类的概率,通常y_hat=1的概率为通过考试的概率,若输出值为0.8,就表示通过考试的概率是0.8,判定为通过考试。若输出值范围在0.4-0.6,则会输出不确定。
1.3 How to map:R->[0,1] (怎样将实数集映射到区间 [0,1])
回归中y_hat的值属于实数集,分类中y_hat的值属于区间 [0,1],所在分类时,要找到一个函数,把线性模型的输出值由实数空间映射到区间 [0,1],要找的函数就是Logistic函数
ps:饱和函数:输入达到一定的值以后,输出就不再变化,达到饱和。Logistic是饱和函数
把线性模型输出的y_hat作为x输入到Logistic函数中,得到的结果就是通过考试的概率。
2.Sigmoid functions (其他Sigmoid函数)
Sigmoid函数需要满足的条件:
- 是饱和函数
- 函数值有极限
- 是单调增函数
3.Logistic Regression Model (逻辑斯蒂回归模型)
σ sigma σ代表Logistic函数
Logistic函数重要性质:能保证输出值在0 ~ 1之间
有是希望函数的输出值在-1 ~ 1之间(均值为0),这时就会用到其他Sigmoid函数。
4.Loss function for Binary Classification (二分类的损失函数)
Loss function for Binary Classification 简称::BCE Loss
-
Loss Function for Linear Regression是计算数轴上y和y_hat之间的距离,希望loss距离最小化
-
Loss function for Binary Classification输出的是分布,需要比较2个分布之间的差异,希望差异越小越好。y_hat表示分类为1时的概率,1 - y_hat表示分类为0时的概率。若y=0,y = P(class=1) = 0;1 - y = P(class=0) = 1
公式分析:
5.Implementation of Logistic Regression (线性单元和Logistic单元代码比较)
BCE:交叉熵 (cross-entropy)
6.总结-完整代码
import numpy as np
import matplotlib.pyplot as plt
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(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
for epoch in range(1000):
y_pred = model(x_data)
loss = criterion(y_pred, y_data)
print(epoch, loss.item())
optimizer.zero_grad()
loss.backward()
optimizer.step()
x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()
7.结果截图
本文参考:《PyTorch深度学习实践》
我是璞玉牧之,持续输出优质文章,希望和你一起学习进步!!!原创不易,如果本文对你有帮助,可以 点赞+收藏+评论 支持一下哦!我们下期见~~
相关文章
- 这才是面试官想听的:详解「递归」正确的打开方式
- 如何成为一名更优秀的程序员?我总结出 7 条建议
- 简历中放照片么?程序员找工作的各种坑…… 及防坑指南
- 查阅arXiv论文新神器,一行代码比较版本差别,Github新开源!
- 面试官给我挖坑:URI中的 “//” 有什么用?
- PowerDesigner使用方法入门学习
- 面试官再问你 HashMap 底层原理,就把这篇文章甩给他看
- VIM真的好用吗?到底要不要学习VIM?
- IBM迎来新任CEO,又一美国科技巨头被印度裔掌舵
- 阿里集团内如何进行Flutter体系化建设?
- 使用 CSS Grid Generator来快速使用及学习 Grid 布局
- 干货!微软Ignite 大会完整“云”课程,学习路线一图看懂
- 一份来自亚马逊工程师的Google面试指南,GitHub收获9.8万星,已翻译成中文
- 微软推出新网站向开发者推荐WinUI开源框架
- 使你在前端面试中脱颖而出的10个能力
- 老码农的「锦囊」:10个编程技巧、5个纠错步骤,让你的编程之路少点坎坷
- 构建数据聚合平台时要考虑的基本因素
- 微软高管:为什么我们的基础岗位不要求大学学历
- 美国欲施压台积电限制供货华为,不惜切断全球芯片供应链
- 面试了一个 46 岁的程序员,我思绪万千