当前位置：首页 > news >正文

PyTorch复现多维逻辑回归

news 2025/7/1 11:01:57

【前言】
本专题为PyTorch专栏。从本专题开始，我将通过使用PyTorch编写基础神经网络，带领大家学习PyTorch。并顺便带领大家复习以下深度学习的知识。希望大家通过本专栏学习，更进一步了解人更智能这个领域。

数据集来源：百度网盘请输入提取码，提取码：kif1

一、如何理解单维变多维

这是单维输入的计算过程：

一维输入X与一维参数W相乘后得到的输出也是以一个一维的矩阵。正如图上所示。

那么多维输入X矩阵就可以表示成由多个行向量X'堆叠而成的。如下图所示。

这部分是线性代数的内容，有遗忘的同学可以回归一下线性代数的内容。

二、单维变多维从代码上理解

self.linear = torch.nn.Linear(8, 1)

torch.nn.Linear()这个代码我们第一节课的时候就讲过。第一个参数指的是输入的维度，第二个参数指的是输出的维度。

上图所示内容是指，现在给一个8维的输入向量，最后要得到一个1维的输出向量

当然，这是只有一个线性层的代码形式。如果我们希望有多个线性层来使神经网路拟合的更好的话我们可以多加几个线性层，这时，这几个torch.nn.Linear()的参数也就发生了变化。

图中表示这个神网络有三个线性层。

第一层：输入一个8维的向量，输出一个6维的向量

第二层：输入一个6维的向量，输出一个4维的向量

第三层：输入一个4维的向量，输出一个1维的向量

三、用PyTorch实现多维逻辑回归

（1）导入模块、加载数据集

xy = np.loadtxt('diabetes.csv.gz', delimiter=',', dtype=np.float32)

使用 np.loadtxt 函数从 diabetes.csv.gz 文件中加载数据。
delimiter=','：指定字段之间的分隔符为逗号，适用于 CSV 文件。
dtype=np.float32：指定数据类型为 float32，这在深度学习中很常见，因为 PyTorch 默认使用 float32 类型进行计算。

x_data = torch.from_numpy(xy[:, :-1])

使用 torch.from_numpy 将 NumPy 数组转换为 PyTorch 张量。
xy[:, :-1]：提取所有行，但只取到倒数第二列为止的列，这些列通常包含特征数据。

y_data = torch.from_numpy(xy[:, [-1]])

同样使用 torch.from_numpy 将 NumPy 数组转换为 PyTorch 张量。
xy[:, [-1]]：提取所有行的最后一列，这一列通常包含标签数据。
注意：[-1] 用方括号括起来，确保 y_data 是二维张量，这对于某些 PyTorch 操作（如计算损失）是必要的。

我么们来看一下数据集的样子：

（2）设计模型

1.在这里你会发现，上述代码中所用的sigmoid函数是torch.nn.Sigmoid()，而上节课我们所用的是torch.nn.functional.Sigmoid()。接下来我们讲一下这二者的区别。

1. model(x_data)

这是推荐的使用方式，也是最常见的方式。当你调用 model(x_data) 时，PyTorch 会自动调用模型的 forward 方法来计算输出。

工作原理

当你调用 model(x_data) 时，PyTorch 会调用模型的 __call__ 方法。

__call__ 方法内部会调用 forward 方法，并处理一些额外的逻辑，例如：

调用 forward 方法之前，会检查是否需要进行梯度跟踪（requires_grad）。

调用 forward 方法之后，会处理一些后处理逻辑，例如记录操作图。

2. model.forward(x_data)

这种方式直接调用了模型的 forward 方法。虽然这种方式也可以工作，但它绕过了 __call__ 方法的额外逻辑，因此不推荐在正常情况下使用。

工作原理

forward 方法是模型的核心部分，定义了输入数据如何通过模型的各个层。

直接调用 forward 方法时，不会触发 __call__ 方法中的额外逻辑。