*分類是離散的，回歸是連續(xù)的

下載數(shù)據(jù)集

train=True：下載訓練集

邏輯斯蒂函數(shù)保證輸出值在0-1之間

能夠把實數(shù)值映射到0-1之間

?導函數(shù)類似正態(tài)分布

?其他飽和函數(shù)sigmoid functions

循環(huán)神經(jīng)網(wǎng)絡經(jīng)常使用tanh函數(shù)

與線性回歸區(qū)別

塞戈馬無參數(shù)，構(gòu)造函數(shù)無區(qū)別

?更改損失函數(shù)MSE->BCE損失（越小越好）

分布的差異：KL散度，cross-entropy交叉熵?

二分類的交叉熵

?

# -*- coding: utf-8 -*-
# @Time    : 2023-07-18 20:26
# @Author  : yuer
# @FileName: exercise06.py
# @Software: PyCharm
import matplotlib.pyplot as plt
import numpy as np
import torch# 數(shù)據(jù)集
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])# 先根據(jù)x算出y值再根據(jù)y的范圍找到分類class logisticRegressionModel(torch.nn.Module):def __init__(self):super(logisticRegressionModel, self).__init__()self.linear = torch.nn.Linear(1, 1)# x_data,y_data都是一維，與線性回歸相比構(gòu)造沒有函數(shù)區(qū)別def forward(self, x):y_pred = torch.sigmoid(self.linear(x))return y_predmodel = logisticRegressionModel()# 默認情況size_average=True 即loss是1/n倍的，False設置loss不除n
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# SGD梯度下降優(yōu)化方法 初始化w，b都為0for epoch in range(1000):y_pred = model(x_data)loss = criterion(y_pred, y_data)print(epoch, loss.item())optimizer.zero_grad()  # 清空梯度loss.backward()  # 反饋算梯度并更新optimizer.step()  # 更新w,b的值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)x = np.linspace(0, 10, 200)  # 在線性空間中以均勻步長生成數(shù)字序列;在0-10之間的200個點
x_t = torch.Tensor(x).view((200, 1))  # 轉(zhuǎn)換為200*1的矩陣
y_t = model(x_t)  # 利用模型訓練
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()