机器学习中大多数时候做的是分类任务；
通过MNIST来进行下载
计算每个值对应的概率
实际上这个模型并不是在算y的值是多少，而是y对每一个取值的概率，选取其中最大的那个来作为其值；
torchvision包中其他的一些图片
这些图片可以通过CIFAR10来进行下载
当学习所得的两种概率都为0.5时，输出时可以根据情况来输出一个“不确定”/概率；
注意，并非是用了sigmoid函数就能进行概率转换，而是说用了之后能够把值固定在(0,1)之间，从而使其能够计算概率（有啥区别么）；
常见的一堆sigmoid函数
不难看出，所有的函数都是饱和函数，其中最出名的是就是：
变换之后的计算图：
其实就是多了个σ函数；
模型变了后，损失函数也会变
原来那个损失函数计算的是两个数在数轴上的间隔距离；但是新的损失函数所计算的就是分布
可以看到，当y为1时，y^ 越接近1，那么损失值就越小；反之亦反。从而在训练时让两个分布尽可能地去接近
import torchvision
#通过torchvision来提供数字的数据集
#但是这玩意儿得自己下过来，通过root来指定下载位置；train指定下训练/测试集；download为T时，若文件不存在就会自动下载，否则就不下载了
train_set = torchvision.datasets.MNIST(root='E:/jupyter/pytorch/dataset/minist',train=True, download=True)
test_set = torchvision.datasets.MNIST(root='E:/jupyter/pytorch/dataset/minist', train=False, download=True)
#-------------------------------------------------------#
#sigmoid函数定义在nn.functional中
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):
#这里用sigmoid进行预测
y_pred = F.sigmoid(self.linear(x))
return y_pred
model = LogisticRegressionModel()
#-------------------------------------------------------#
#损失要用BCE了,表示二分类的交叉熵
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()
基本上按pytorch框架写深度学习的代码就是分成上边这四块：1. 准备数据集；2. 设计模型； 3. 选择优化器；4. 训练模型；
import numpy as np
import matplotlib.pyplot as plt
#训练完成后对model进行测试
#这里是预测每周学习时间对于考试通过的概率
x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
#通过numpy()来调取数据
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()
