【代码】用pytorch-训练逻辑回归

好了，这节我们使用pytorch来训练一下逻辑回归模型。

学以致用，再爽不过~让我们开始吧！

一、用pytorch来训练一个逻辑回归模型

好了，下面我们看看怎么用pytorch来训练一个逻辑回归模型。这样可以复习之前学到的各种内容：pytorch的使用啦，逻辑回归模型啦，梯度下降算法啦，等等等等。

好了，直接上代码吧，用pytorch训练逻辑回归模型的代码如下：

# pytroch实现逻辑回归模型
# 本代码来自《老饼讲解-深度学习》www.bbblearn.com
import torch
import matplotlib.pyplot as plt
# ------训练数据----------------
x = torch.tensor([[2.5, 1.3, 6.2, 1.3, 5.4, 6 ,4.3, 8.2]
                ,[-1.2,2.5,3.6,4,3.4,2.3,7.2,3.9]]).T               # 训练数据x
y = torch.tensor([0,0,1,0,1,1,1,1])                                 # 训练数据y
																	
#-----------训练模型----------                        
w  = torch.tensor([2.,2.],requires_grad=True)                       # 初始化模型系数w
b  = torch.tensor([1.],requires_grad=True)                          # 初始化模型系数b
lr = 0.01                                                           # 学习率
for i in range(1000):                                               
    L = (torch.log(1+torch.exp(x@w+b)) -y*(x@w+b)).sum()            # 损失函数
    print('第',str(i),'轮：',L)                                     # 打印当前损失函数值
    L.backward()                                                    # 用损失函数更新模型系数的梯度
    w.data=w.data-w.grad*lr                                         # 更新模型系数w
    b.data=b.data-b.grad*lr                                         # 更新模型系数b
    w.grad.zero_()                                                  # 清空w的梯度,以便下次backward
    b.grad.zero_()                                                  # 清空b的梯度,以便下次backward

# ----------画出结果-----------                     
print('--------最终结果-------')                                     
W  = w.detach().numpy()                                             # 模型的系数,先转回numpy
B  = b.item()                                                       # 模型的阈值,先转回数值
X  = x.numpy()                                                      # x转回numpy
Y  = y.numpy()                                                      # y转回numpy
print('W:',W)                                                       # 打印模型系数W
print('B:',B)                                                       # 打印模型系数B
x1 = X[:,0]                                                         # 绘制分割平面的x轴
x2 = (-B - W[0]*x1)/W[1]                                            # 绘制分割平面的y轴
plt.scatter(X[:, 0], X[:, 1],c=Y)                                   # 绘制样本
plt.plot(x1,x2)                                                     # 绘制分割平面             
plt.axis([min(X[:,0])-1,max(X[:,0])+1,min(X[:,1])-1,max(X[:,1])+1]) # 设置坐标范围
plt.show()                                                          # 展示图象 

运行结果如下：

可以看到，训练了999步后，模型得到了参数，此时损失值为0.4908。再看逻辑回归模型的分割平面，它已经成功地识别出两类样本。

二、代码解说

好了，下面我们逐部分对代码进行解说，借着这些代码，学习pytorch再好不过了。

2.1. 数据导入-代码解说

首先是数据导入部分，这没什么好说的，就是训练样本的x和y。

2.2. 参数预设-代码解说

这部分我们初始化了参数，以及设置了学习率。

细心的朋友可能会发现，我们w = torch.tensor([2.,2.])中用了“2.”而不是"2"，因为w是小数类型，如果直接用“2”可能会被认为是整数类型哦，加了一个点之后才会被认为是小数。

这里，都是参数，后面我们要让pytorch来计算它们的梯度，因此指定了requires_grad=True，而不需要，因为不需要计算它的梯度。

2.3. 模型训练-代码解说

好了，下面一起来看看模型训练的代码。

第15行就是我们的二分类交叉熵损失函数了，这里刚开始学习嘛，就自己写写公式，这样比较具体实在一点。其实pytorch内部已经提供了交叉熵函数给我们直接使用，以后我们一般都会直接调用函数，比较省代码一些。

好了，在计算了损失函数后，第17行我们就进行Backward了，这时pytorch就会拼命干活了，把L依赖的变量的梯度都计算出来，如果这时你去查看的梯度，就会发现backward完它们的梯度就改变了。

第18、19行没什么好说的，就是按负梯度去更新。

最后，第20、21行，我们把的梯度清零。为什么要清零呢？刚开始玩的朋友可能就有些不明白了。这是因为每次backward的时候，pytorch并不是计算梯度然后赋值，而是把新计算的梯度累加到参数原来的梯度上。即它是：w.grad = w.grad+grad，而不是w.grad = grad。所以我们这里清空它，下次计算梯度时才是我们想要的梯度。

2.4. 结果展示-代码解说

最后是我们展示结果、画出结果图的代码了，可以看，也可以不看，无关要紧的代码。

如果你要看，那我就说说。首先是因为画图时要用到，但它是tensor对象，画图对象plt不认这家伙，所以我要将它们转换回我亲爱的numpy对象。

细心的小朋友又会发现了，怎么转换回numpy对象时，使用的是detach().numpy()，而x和y却使用numpy()就行了。这是因为w是带梯度的对象，而x，y是普通的对象，由于说过了，带梯度的对象会被pytorch特别对待，它在backward时会开启一个运算图，所以需要先用detach(脱离)将它从运算图中拆卸出来，再转为numpy。就好比w被pytorch带到包间去款待了，现在要先从包间里叫他出来(detach)，再一起搭车去当numpy。

哦，把b给漏了，我们这里直接用b.item()就行了，因为b是一个数值，所以直接item就能转换回python的普通数值类型了，而不需要转为numpy。

好了，后面就是计算模型的分割平面和画图了，没什么营养，就不看了。

总结

这节我们用pytorch来玩了玩逻辑回归模型的训练，主要亮点就是借用pytorch的自动梯度功能，这比起用一些传统编程语言要方便得多，因为不再需要自己计算梯度了。

通过本节玩完代码，相信小白朋友又可以更具体地习惯和熟悉一下pytorch的语法和使用方法了吧~！的确，这些语法一本正经的去学，非常枯燥和抽象，跟着代码一点一点的积累和熟悉最有效不过了。