#源代碼 out的數據接收方式
? ? ?if torch.cuda.is_available():
? ? ? ? ?x_data=Variable(x).cuda()
? ? ? ? ?y_data=Variable(y).cuda()
? ? ?else:
? ? ? ? ?x_data=Variable(x)
? ? ? ? ?y_data=Variable(y)
? ??
? ? out=logistic_model(x_data) ?#根據邏輯回歸模型擬合出的y值
? ? loss=criterion(out.squeeze(),y_data) ?#計算損失函數

#源代碼 out的數據有拼裝數據直接輸入
# ? ? if torch.cuda.is_available():
# ? ? ? ? x_data=Variable(x).cuda()
# ? ? ? ? y_data=Variable(y).cuda()
# ? ? else:
# ? ? ? ? x_data=Variable(x)
# ? ? ? ? y_data=Variable(y)
? ??
? ? out=logistic_model(x_data) ?#根據邏輯回歸模型擬合出的y值
? ? loss=criterion(out.squeeze(),y_data) ?#計算損失函數
? ? print_loss=loss.data.item() ?#得出損失函數值

源代碼

import torch
from torch import nn
from torch.autograd import Variable
import matplotlib.pyplot as plt
import numpy as np

#生成數據
sample_nums = 100
mean_value = 1.7
bias = 1
n_data = torch.ones(sample_nums, 2)
x0 = torch.normal(mean_value * n_data, 1) + bias ? ? ?# 類別0 數據 shape=(100, 2)
y0 = torch.zeros(sample_nums) ? ? ? ? ? ? ? ? ? ? ? ? # 類別0 標簽 shape=(100, 1)
x1 = torch.normal(-mean_value * n_data, 1) + bias ? ? # 類別1 數據 shape=(100, 2)
y1 = torch.ones(sample_nums) ? ? ? ? ? ? ? ? ? ? ? ? ?# 類別1 標簽 shape=(100, 1)
x_data = torch.cat((x0, x1), 0) ?#按維數0行拼接
y_data = torch.cat((y0, y1), 0)

#畫圖
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=y.data.numpy(), s=100, lw=0, cmap='RdYlGn')
plt.show()

# 利用torch.nn實現邏輯回歸
class LogisticRegression(nn.Module):
? ? def __init__(self):
? ? ? ? super(LogisticRegression, self).__init__()
? ? ? ? self.lr = nn.Linear(2, 1)
? ? ? ? self.sm = nn.Sigmoid()

? ? def forward(self, x):
? ? ? ? x = self.lr(x)
? ? ? ? x = self.sm(x)
? ? ? ? return x
? ??
logistic_model = LogisticRegression()
# if torch.cuda.is_available():
# ? ? logistic_model.cuda()

#loss函數和優(yōu)化
criterion = nn.BCELoss()
optimizer = torch.optim.SGD(logistic_model.parameters(), lr=0.01, momentum=0.9)
#開始訓練
#訓練10000次
for epoch in range(10000):
# ? ? if torch.cuda.is_available():
# ? ? ? ? x_data=Variable(x).cuda()
# ? ? ? ? y_data=Variable(y).cuda()
# ? ? else:
# ? ? ? ? x_data=Variable(x)
# ? ? ? ? y_data=Variable(y)
? ??
? ? out=logistic_model(x_data) ?#根據邏輯回歸模型擬合出的y值
? ? loss=criterion(out.squeeze(),y_data) ?#計算損失函數
? ? print_loss=loss.data.item() ?#得出損失函數值
? ? #反向傳播
? ? loss.backward()
? ? optimizer.step()
? ? optimizer.zero_grad()
? ??
? ? mask=out.ge(0.5).float() ?#以0.5為閾值進行分類
? ? correct=(mask==y_data).sum().squeeze() ?#計算正確預測的樣本個數
? ? acc=correct.item()/x_data.size(0) ?#計算精度
? ? #每隔20輪打印一下當前的誤差和精度
? ? if (epoch+1)%100==0:
? ? ? ? print('*'*10)
? ? ? ? print('epoch {}'.format(epoch+1)) ?#誤差
? ? ? ? print('loss is {:.4f}'.format(print_loss))
? ? ? ? print('acc is {:.4f}'.format(acc)) ?#精度
? ? ? ??
? ? ? ??
w0, w1 = logistic_model.lr.weight[0]
w0 = float(w0.item())
w1 = float(w1.item())
b = float(logistic_model.lr.bias.item())
plot_x = np.arange(-7, 7, 0.1)
plot_y = (-w0 * plot_x - b) / w1
plt.xlim(-5, 7)
plt.ylim(-7, 7)
plt.scatter(x.data.numpy()[:, 0], x.data.numpy()[:, 1], c=logistic_model(x_data)[:,0].cpu().data.numpy(), s=100, lw=0, cmap='RdYlGn')
plt.plot(plot_x, plot_y)
plt.show()