pytorch从零开始学习3
1.logistics regression
分类问题的理解:假设分类个数是10,类别分别是0-9.分类的结果是0-9各自的概率值,即输出值为0、1、2…9的概率分别为XXX,XXX…XXX。这里概率值相加为1.因此,从这里可以知道,不管分成多少个类别,总的概率值为1.因此,在最后输出的结果前一步中的激活函数将输出值映射到[-1,1]或是[0,1]
loss function for binary classification
一些注意事项:
概率分布相似性–>交叉熵损失函数
比较的是概率分布。预测的分布与真实的分布比较,训练使得这两个分布尽可能接近。
是没有参数的,意味着没有参数可供训练,因此不用写在__init__中,直接在forward中调用即可。因此,从这里可以知道,__init__中定义的参数是需要更新的。
神经网络学习能力过强会将噪声信息学习到,所以不是学习能力越强越好
2. 批梯度下降(BGD)
一个epoch使用所有的数据进行训练。
优点:
- 由全数据集确定的参数更新方向可以更好的代表总体,从而当数据表现为凸函数时,能够得到全局最优解
缺点:
- 当数据量很大时,训练很慢
3. 随机梯度下降(SDG)
一次使用一个样本进行更新
优点:
- 由于不是在全部的数据集上进行更新,可以加快训练速度
缺点:
- 准确度下降。即使在目标函数为凸函数时,也不能得到全局最优解,得到的是局部最优解
- 不易于并行运算
4. 小批量随机梯度下降(MBGD)
一次使用batch size个样本进行更新
通过在随机梯度下降与批梯度下降折中,可以有效的实现以下:
- 并行化
- 提高一定的训练速度
init:初始化时,根据数据量的多少,来选择是否将所有数据或标签读取进来。如果数据过大,此时读取进来会导致内存不够,因此,不在这里初始化,在__getitem__中进行初始化
注意:输入的数据要转为tensor
import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt
# ------------------------------------------------------------prepare data---------------------------------------------------
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])
# ------------------------------------------------------------define model---------------------------------------------------
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
# -----------------------------------------------------------------模型实例化--------------------------------------------------
model = LogisticRegressionModel()
# ----------------------------------------------construct loss and optimizer-------------------------------------------------
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# ----------------------------------------------------training---------------------------------------------------------------
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()
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)
# --------------------------------------------------可视化------------------------------------------------------------------
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()