逻辑回归：
本章内容主要讲述简单的逻辑回归：这个可以归纳为二分类的问题。
逻辑，非假即真。两种可能，我们可以联想一下在继电器控制的电信号（0 or 1）
举个栗子：比如说你花了好几个星期复习的考试（通过 or 失败）
哇，那个女孩子长得真好看，你同不同意？
一场NBA，湖人赢了火箭还是输给火箭？
这里：我们引入sigmoid函数，可以设定一个阈值来区分两类。
这样我们可以设定一个阈值：0.5. 超过0.5的值归为1这一类，其余的（>0）都归为零这一类
这里的代码跟上一篇博客的很像，如果你不熟悉的话，希望你可以回头看看。这里我说明一下，不同的点
import torch
from torch.autograd import Variable
import torch.nn.functional as F
x_data = Variable(torch.Tensor([[1.0], [2.0], [3.0], [4.0]]))
y_data = Variable(torch.Tensor([[0.], [0.], [1.], [1.]]))
class Model(torch.nn.Module):
def __init__(self):
"""
In the constructor we instantiate nn.Linear module
"""
super(Model, self).__init__()
self.linear = torch.nn.Linear(1, 1) # One in and one out
def forward(self, x):
"""
In the forward function we accept a Variable of input data and we must return
a Variable of output data.
"""
这里是不同的点，使用了function 模块的 sigmoid的函数
y_pred = F.sigmoid(self.linear(x))
return y_pred
# our model
model = Model()
# Construct our loss function and an Optimizer. The call to model.parameters()
# in the SGD constructor will contain the learnable parameters of the two
# nn.Linear modules which are members of the model.
criterion = torch.nn.BCELoss(size_average=True)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# Training loop
for epoch in range(1000):
# Forward pass: Compute predicted y by passing x to the model
y_pred = model(x_data)
# Compute and print loss
loss = criterion(y_pred, y_data)
print(epoch, loss.data[0])
# Zero gradients, perform a backward pass, and update the weights.
optimizer.zero_grad()
loss.backward()
optimizer.step()
# After training
hour_var = Variable(torch.Tensor([[1.0]]))
print("predict 1 hour ", 1.0, model(hour_var).data[0][0] > 0.5)
hour_var = Variable(torch.Tensor([[7.0]]))
print("predict 7 hours", 7.0, model(hour_var).data[0][0] > 0.5)