标签:None autograd 回归 逻辑 20200129 graph 求导 grad
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
标签:None,autograd,回归,逻辑,20200129,graph,求导,grad 来源: https://blog.csdn.net/qq_27860199/article/details/104106688
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。