PyTorch深度学习-06逻辑斯蒂回归(快速入门)

avatar
作者
筋斗云
阅读量:0

在这里插入图片描述

“梦想成真之前,看上去总是那么遥不可及”

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)

在这里插入图片描述

  • 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。

在这里插入图片描述

  • 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)

在这里插入图片描述

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])

在这里插入图片描述

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
在这里插入图片描述

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)

在这里插入图片描述

Sigmoid函数需要满足的条件:

  1. 是饱和函数
  2. 函数值有极限
  3. 是单调增函数

3.Logistic Regression Model (逻辑斯蒂回归模型)

在这里插入图片描述

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

在这里插入图片描述

  • 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

在这里插入图片描述

公式分析:在这里插入图片描述

5.Implementation of Logistic Regression (线性单元和Logistic单元代码比较)

在这里插入图片描述
BCE:交叉熵 (cross-entropy)
在这里插入图片描述

6.总结-完整代码

在这里插入图片描述

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

在这里插入图片描述
在这里插入图片描述
本文参考:《PyTorch深度学习实践》


At the end of my article

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~~
在这里插入图片描述

广告一刻

为您即时展示最新活动产品广告消息,让您随时掌握产品活动新动态!