【Pytorch神经网络实战案例】05 使用Pytorch完成Logistic分类

import torch
x_data = torch.tensor([[1.0], [2.0], [3.0]])
y_data = torch.tensor([[2.0], [4.0], [6.0]])
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=torch.sigmoid(self.linear(x))
        return y_pred
model=LogisticRegressionModel()
#BCELoss 是CrossEntropyLoss的一个特例，只用于二分类问题
# CrossEntropyLoss可以用于二分类，也可以用于多分类。
#如果是二分类问题，建议BCELoss
# construct loss and optimizer
# 默认情况下，loss会基于element平均，如果size_average=False的话，loss会被累加。
#
criterion=torch.nn.BCELoss(size_average=False)
#model.parameters()为该实例中可优化的参数
#lr为参数优化的选项（学习率等）
optimizer=torch.optim.SGD(model.parameters(),lr=0.01)
for epoch in range(1000000):
    y_pred=model(x_data)
    loss=criterion(y_pred,y_data)
    print(epoch,loss.item())
    optimizer.zero_grad()
    loss.backward()
    #optimizer.step() # update 参数，即更新w和b的值
    optimizer.step()
print('w = ', model.linear.weight.item())
print('b = ', model.linear.bias.item())
x_test = torch.tensor([[4.0]])
y_test = model(x_test)
print('y_pred = ', y_test.data)