PyTorch实现二分类任务

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45

import torch import torch.nn as nn import torch.optim as optim   '''定义模拟数据集''' inputs = torch.randn(5, 10)  # 定义5个样本，每个样本的特征数位10 labels = torch.tensor([0, 1, 0, 1, 1])  # 每个样本的标签，二分类，所以为0或1   '''定义模型'''  class SimpleModel(nn.Module):     def __init__(self, input_size, output_size=1):         super().__init__()         self.linear = nn.Linear(input_size, output_size)            self.sigmoid = nn.Sigmoid()               def forward(self, x):         x = self.linear(x)         x = self.sigmoid(x)         return x   '''实例化模型''' model = SimpleModel(input_size=10, output_size=1)   '''定义二元交叉熵损失函数''' criterion = nn.BCELoss()   '''定义优化器'''    optimizer = optim.SGD(model.parameters(), lr=0.01)   '''训练''' epoch = 50000 for i in range(epoch):     '''前向传播'''     # 执行过程中遇到shape报错：纠正后加了一个reshape(-1)        y = model(inputs).reshape(-1)              '''计算损失'''     # 执行过程中遇到数据类型报错，因此加了一个.float()     loss = criterion(y.float(), labels.float())     print(f'Epoch: {i + 1}/{epoch}, Loss: {loss.item()}')             '''反向传播 和 更新参数'''      optimizer.zero_grad()  # 梯度清零     loss.backward()  # 计算梯度     optimizer.step()  # 更新参数