import torch
import torch.nn.functional as F
import numpy as np
import matplotlib.pyplot as plt

x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])  # 现在的输入y为分类，故只为0或1

# ----------------------------------------------------------------准备数据集


class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)  # 先用linear进行线性变换，输入维度为1，输出维度为1
        # sigmoid函数中没有参数，故不需要在构造函数中初始化，因为没有参数可供训练，直接调用即可

    def forward(self, x):
        y_pred = F.torch.sigmoid(self.linear(x))  # 再用sigmoid函数处理线性变换后的结果，作为最后的输出
        return y_pred


model = LogisticRegressionModel()
# --------------------------------------------------------------设计模型

criterion = torch.nn.BCELoss(reduction='sum')  # BCE损失函数
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)
# ---------------------------------------------------------------构造损失函数和优化器

for epoch in range(1000):
    y_pred = model(x_data)
    loss = criterion(y_pred, y_data)
    print(epoch, loss.item())

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
# --------------------------------------------------------------训练周期

x = np.linspace(0, 10, 200)
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)
y = y_t.data.numpy()
plt.plot(x, y)
plt.plot([0, 10], [0.5, 0.5], c='r')
plt.xlabel('Hours')
plt.ylabel('Probability of Pass')
plt.grid()
plt.show()

此节相较于上一节的改变在于，在神经单元中增加非线性函数部分，此时的非线性函数采用最常用的logistic函数（也被经常叫做sigmoid函数）。由于sigmoid函数中没有需要训练的参数，故不需要在构造函数中初始化。之后直接用sigmoid函数处理线性变换后的结果即可得到y-pred。