Logistic回归是一种非常常用的统计方法,它允许我们从一组自变量中预测二进制输出。现在,我们将了解如何在PyTorch中实现这一点,PyTorch是一个非常流行的深度学习库,由Facebook开发。
现在,我们将看到如何使用PyTorch中的Logistic回归对MNIST数据集中的手写数字进行分类。首先,您需要将PyTorch安装到Python环境中。最简单的方法是使用pip
或conda
工具。访问pytorch.org并安装您想要使用的Python解释器版本和包管理器。
安装PyTorch后,现在让我们看一下代码。写下面给出的三行来导入重新安装的库函数和对象。
import torch
import torch.nn as nn
import torchvision.datasets as dsets
import torchvision.transforms as transforms
from torch.autograd import Variable
这里,torch.nn模块包含模型所需的代码,torchvision.datasets包含MNIST数据集。它包含我们将在这里使用的手写数字的数据集。该torchvision.transforms模块包含的对象转换成其他各种方法。在这里,我们将使用它从图像转换为PyTorch张量。此外,torch.autograd模块包含Variable类以及其他类,我们将在定义我们的张量时使用它。
接下来,我们将下载数据集并将其加载到内存中。
# MNIST Dataset (Images and Labels)
train_dataset = dsets.MNIST(root ='./data',
train = True,
transform = transforms.ToTensor(),
download = True)
test_dataset = dsets.MNIST(root ='./data',
train = False,
transform = transforms.ToTensor())
# Dataset Loader (Input Pipline)
train_loader = torch.utils.data.DataLoader(dataset = train_dataset,
batch_size = batch_size,
shuffle = True)
test_loader = torch.utils.data.DataLoader(dataset = test_dataset,
batch_size = batch_size,
shuffle = False)
三个资料Q群下载不了也转发不了,先放这里Fine_tuning.zipLangChain.zipdata_clear.rar