torch.autograd
torch.autograd.backward(
tensor, #待求导张量
grad_tensors=None, #多维度权重
retain_graph=None, #保存计算图
create_graph=False) #创造导数计算图,用于高阶求导
功能:自动求取梯度
torch.autograd.grad(
outputs, #用于求导的张量
inputs, #需要梯度的张量
grad_tensors=None, #多维度权重
retain_graph=None, #保存计算图
create_graph=False) #创造导数计算图,用于高阶求导
功能:自动求取梯度
tips:
- 梯度不自动清零,需要用如下代码清零
tensor.grad.zero_() #下划线表原地操作
- 依赖于叶子结点的结点,requires_grad默认为True
- 叶子结点不可执行in-place(原地操作)
逻辑回归
逻辑回归是线性的二分类模型
表达式:y=f(Wx+b),f为sigmod函数,也称为logistics函数
取值范围为0,1,可设阈值为0.5,当y>0.5时类别为0,当y≤0.5时类别为1
线性回归是分析自变量x与因变量y(标量)之间关系的方法
逻辑回归是分析自变量x与因变量y(概率)之间关系的方法
逻辑回归又称对数几率回归
机器学习模型训练步骤
迭代训练:数据(数据采集、数据划分、数据清洗)
–>模型(线性模型、NN模型)
–>损失函数(线性模型中采用均方差,分类任务可采用交叉熵)
–>优化器