怎么优化一个网站关键词,网络推广方案下拉管家xiala11,wordpress alt 空,广州市白云区网站建设视频指路 参考博客笔记 参考笔记二 用来分类的模型 说明#xff1a;1、 逻辑斯蒂回归和线性模型的明显区别是在线性模型的后面#xff0c;添加了激活函数(非线性变换) ​ 2、分布的差异#xff1a;KL散度#xff0c;cross-entropy交叉熵 现在损失函数衡量不是距离而是分布… 视频指路 参考博客笔记 参考笔记二 用来分类的模型 说明1、 逻辑斯蒂回归和线性模型的明显区别是在线性模型的后面添加了激活函数(非线性变换) ​ 2、分布的差异KL散度cross-entropy交叉熵 现在损失函数衡量不是距离而是分布所以要改为交叉熵 sigmod的函数是一个在生物学中常见的S型函数也称为S型生长曲线。在信息科学中由于其单增以及反函数单增等性质常被用作神经网络的激活函数将变量映射到0,1之间。-------------摘自《百度百科》 sigmod函数也叫作Logistic函数用于隐层神经单元输出取值范围为0,1它可以将一个实数映射到0,1的区间可以用来做二分类。在特征相差比较复杂或者相差不是特别大的时候效果比较好。 类实现 class LogisticRegressionModel(torch.nn.Module):def __init__(self):super(LogisticRegressionModel, self).__init__()self.linear torch.nn.Linear(1,1)def forward(self, x):# y_pred F.sigmoid(self.linear(x))y_pred torch.sigmoid(self.linear(x))return y_predmodel LogisticRegressionModel()总python实现 import torch# prepare dataset x_data torch.Tensor([[1.0], [2.0], [3.0]]) y_data torch.Tensor([[0], [0], [1]])# design model using class class LogisticModel(torch.nn.Module):def __init__(self):super().__init__()self.linear torch.nn.Linear(1, 1)def forward(self, x):y_pred torch.sigmoid(self.linear(x))#线性层后面加一层非线性SIGMOD激活函数return y_predlogistic LogisticModel()# construct loss and optimizer # reductionmean取平均 reductionsum求和 loss被累加 criterion torch.nn.BCELoss(reductionsum) optimizer torch.optim.SGD(logistic.parameters(), lr0.01)# training cycle forward, backward, update for epoch in range(1000):y_pred logistic(x_data)loss criterion(y_pred, y_data)print(epoch, loss)optimizer.zero_grad()loss.backward()optimizer.step()print(w , logistic.linear.weight.item()) print(b , logistic.linear.bias.item()) x_test torch.Tensor([4.0]) y_pred logistic(x_test) print(y_pred , y_pred)