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]

pytorch 最后预测的结果都一样 pytorch预测分类的概率_pytorch 最后预测的结果都一样
loss function for binary classification
pytorch 最后预测的结果都一样 pytorch预测分类的概率_pytorch 最后预测的结果都一样_02

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。

pytorch 最后预测的结果都一样 pytorch预测分类的概率_学习_03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()