您现在的位置是：首页 >其他 >Pytorch 第三回：二分类逻辑回归模型（下）网站首页其他

Pytorch 第三回：二分类逻辑回归模型（下）

接着深度学习第三回，基于Pytorch的二分类逻辑回归模型的叙述。在接下来的内容中，本人将继续以logistic回归模型为样例，继续分享深度学习知识。
本次学习，借助的平台是PyCharm 2024.1.3，python版本3.11 numpy版本是1.26.4，pytorch版本2.0.0+cu118

前言

书接上文，对于logistic回归模型的内容，上回已经分享的差不多了，分类效果如下图所示。这次内容安排点啥呢，既然还是讲解logistic回归模型，那肯定要和logistic回归有关。闲言少叙，这次呢我打算讲解一下如何提升训练效率。

一、Pytorch 自带的 loss函数

为方便用户使用，Pytorch准备了一些常用的loss函数。PyTorch自带loss函数通常与优化器一起使用，优化器可以不断调整模型的参数，进而降低loss值，提高模型的稳定性和效率。除此之外，自带loss函数采用C++语言进行编写，在命令执行上，速度更快更稳定。如果想了解详细内容，可以去Pytorch官网查看。使用代码如下：

# 引用损失函数
F_loss=	nn.BCEWithLogitsLoss()
# 计算loss值
loss = F_loss(y_pred, y_data) 

二、时间对比

1.导入time库

import time

导入time库后，就可以使用time.time()来获取当前时间戳，其单位为s。两个时间戳之差就是所耗用的时间。

time1 = time.time()
total_time = time.time() - time1
print('total	Time:	{:.3f}	s'.format(total_time))

2.消耗时间对比

logistic模型如下：

def logistic_regression(x):
    return F.sigmoid(torch.mm(x, a) + b)

版本1损失函数：

def Classified_loss(y_pred, y):
    logits = -1*(y * y_pred.clamp(1e-12).log() + (1 - y) * (1 - y_pred).clamp(1e-12).log()).mean()
    return logits

1000次的迭代循环耗时：

epoch:	200,	Loss:	0.37917,	Acc:	0.92000
epoch:	400,	Loss:	0.30874,	Acc:	0.90000
epoch:	600,	Loss:	0.27802,	Acc:	0.90000
epoch:	800,	Loss:	0.26062,	Acc:	0.90000
epoch:	1000,	Loss:	0.24937,	Acc:	0.89000
total	Time:	1.399	s

版本2损失函数：

F_loss = nn.BCEWithLogitsLoss()

1000次的迭代循环耗时：

epoch:	200,	Loss:	0.64316,	Acc:	0.85000
epoch:	400,	Loss:	0.61398,	Acc:	0.87000
epoch:	600,	Loss:	0.59503,	Acc:	0.85000
epoch:	800,	Loss:	0.58243,	Acc:	0.87000
epoch:	1000,	Loss:	0.57358,	Acc:	0.88000
total	Time:	1.049	s

小节

1.从迭代1000次程序所消耗的时间来看，采用版本二（pytorch自带的）损失函数时，训练耗时较短。

2.从迭代1000次程序所训练的精度来看，采用版本二（pytorch自带的）损失函数时，精确度较高。

3 从迭代1000次程序所得出的损失值来看，版本1的损失值较低，但是两者的获取方式不同。因此，我个人看来比较这个参数，意义不大。