[Pytorch] 学习记录（五）Logistic(Sigmoid) 回归

本章将开始进行机器学习中的分类问题，虽然名字叫回归，但他是做分类的。分类问题最基本的一个思维方式：比如识别手写数字，模型会将输入的图片进行十个类别的预测，并给出10个概率。从当中选取概率最高的一个作为预测结果，即为多分类。

这里我们采用一个经典的数据集——minist，该数据集可从pytorch中下载，代码如下：

import torchvision
train_set = torchvision.datasets.MNIST(root=’../dataset/mnist',train=FTrue,download=True)
test_set  = torchvision.datasets.MNIST(root='../dataset/mnist',train=False,download=True)

pytorch中还提供了CIFAR-10数据集，就是一堆32×32的小图片，包含50000个训练集与10000个测试集，有10个类别。

 由于预测y=wx+b中，y∈R，但输出的概率需要是[0, 1]，所以我们需要将预测结果映射到[0, 1]上。这里我们就要用到了logistics函数，该函数图像如图1所示，位于[0, 1]。

图1 logistics函数

 用这个函数即可将y_hat映射到需要的区间上，而logistics又称sigmoid，在pytorch的库中就把logistics叫做sigmoid。在深度学习论文中，如果看到σ()，那就是在用sigmoid函数在激活。它与线性回归的唯一区别就是加了一个σ偏置。在代码上的区别如图2所示：

图2 代码区别

在二分类问题中的loss函数需要用到的公式为：

该函数称为BCE Loss，在代码中的使用为：

criterion = torch.nn.BCELoss(size_average = False)

整个的代码变化只有两处，这样一个框架结构可以编写大量的模型。

下一节将进行处理多维特征输入。