使用pytorch实现逻辑回归

83 阅读 0 评论 55 点赞

我是靠谱客的博主寂寞鸭子，最近开发中收集的这篇文章主要介绍使用pytorch实现逻辑回归，觉得挺不错的，现在分享给大家，希望可以做个参考。

概述

逻辑回归原理公式

$hat{y}=sigma(w^{T}x+b),where , sigma=frac{1}{1+e^{-x}},,,w,x in R^{d}$

$P(target=1|x_i)=hat{y_i}$
$P(target=0|x_i)=1-hat{y_i}$
$loss=-prod_{{}}^{}hat{y}_i^{y_i}(1-hat{y_i})^{1-y_i}$
$loss=-sum_{}^{}y_ilog(hat{y}_i)+(1-y_i)log(1-hat{y_i})$

代码实现1

手动实现参数更新。

import torch

epochs=100
lr=0.001
n_feature=2#特征维度
n_item=1000#样本数量

torch.manual_seed(123)
#生成假数据
X=torch.randn(size=(n_item,n_feature)).float()
#如果 feature0 * 2 - feature1 * 3 > 1 标签为1 否则为0
Y=torch.where(torch.sub(X[:,0]*2,X[:,1]*3)>1,torch.tensor(1),torch.tensor(0))


class LogesticRegression():
    def __init__(self):
        #生成模型参数
        self.w=torch.randn(size=(n_feature,1),requires_grad=True)
        self.b=torch.zeros(size=(1,1),requires_grad=True)

    def forward(self,x):
        #y_hat=sig(wx+b)
        y_hat=torch.sigmoid(torch.matmul(self.w.transpose(0,1),x)+self.b)
        return y_hat

    def loss_func(self,y_hat,y):
        return -(y*torch.log(y_hat)+(1-y)*torch.log(1-y_hat))

    def train(self):
        print('w :',self.w)
        print('b :',self.b)
        for epoch in range(epochs):
            avg_loss=0
            for i in range(n_item):#此处逐个样本计算
                y_hat=self.forward(X[i])
                loss=self.loss_func(y_hat,Y[i])
                avg_loss+=loss.item()
                loss.backward()#计算梯度
                with torch.no_grad():#下面的参数更新将不被梯度追踪
                    self.w.data-=lr*self.w.grad.data
                    self.b.data-=lr*self.b.grad.data
                #清空梯度
                self.w.grad.zero_()
                self.b.grad.zero_()
            print('epoch : %d loss: %0.3f avg_loss: %0.3f' % (epoch,loss.item(),avg_loss/n_item))

        print('w :',self.w)
        print('b :',self.b)

if __name__=='__main__':
    lg_clasifier=LogesticRegression()
    lg_clasifier.train()

代码实现2

使用torch中的优化器与损失函数。

import torch
from torch.nn import Module
import torch.nn.functional as F

n_feature=2
n_item=1000
epochs=100
lr=0.001

X=torch.randn(size=(n_item,n_feature)).float()
Y=torch.where(torch.sub(X[:,0]*2,X[:,1]*3)>1,torch.tensor(1),torch.tensor(0)).long()
Y=F.one_hot(Y)#参数Y得是long类型
print('X:',X.shape)
print('Y:',Y.shape)

class BinaryClassificationModel(Module):
    def __init__(self):
        super().__init__()
        self.linear_1=torch.nn.Linear(n_feature,2)#输出维度为2

    def forward(self,x):
        """X:[batch_size,n_feature]"""
        output=self.linear_1(x)
        return torch.sigmoid(output)

model=BinaryClassificationModel()
#设置优化器
optim=torch.optim.Adam(model.parameters(), lr=lr)
criteria=torch.nn.BCELoss()

#打印参数
for name,param in model.named_parameters():
    print(name,param.size(),param)

#开始训练
for epoch in range(epochs):
    for i in range(n_item):#每一个样本当一个batch
        #清空梯度
        optim.zero_grad()
        x=X[i].unsqueeze(0)#增加batch维度
        y=Y[i].unsqueeze(0).float()
        y_hat=model(x)
        loss=criteria(y_hat, y)
        loss.backward()#计算梯度
        optim.step()#更新参数
    print('epoch : %d loss : %0.3f' % (epoch,loss.item()))

#打印参数
for name,param in model.named_parameters():
    print(name,param.size(),param)