使用PyTorch训练一个逻辑回归模型并将其部署到本地的过程大致包括以下几个步骤：数据准备、模型定义、损失函数设定、优化器配置、模型训练以及保存加载模型等操作。 ### 数据准备 首先，你需要准备好用于训练的数据集，并将其转换成适合PyTorch使用的张量形式。你可以通过`torch.utils.data.Dataset` 和 `DataLoader` 来帮助管理数据读取流程。 ```python import torch from torch.utils.data import DataLoader, TensorDataset # 假设 X_train, y_train 已经是你预处理好的特征矩阵与标签向量 (numpy 数组) X_tensor = torch.tensor(X_train.astype(np.float32)) y_tensor = torch.tensor(y_train.astype(np.int64)) train_dataset = TensorDataset(X_tensor, y_tensor) # 创建 Dataset 对象 train_loader = DataLoader(dataset=train_dataset, batch_size=32, shuffle=True) # 使用 Dataloader 进行批量迭代 ``` ### 模型定义 接下来定义一个简单的逻辑回归模型，这相当于一个单层神经网络，其中激活函数为sigmoid（二分类情况）。我们可以通过继承`nn.Module`来自定义我们的模型类。 ```python import torch.nn as nn class LogisticRegressionModel(nn.Module): def __init__(self, input_dim): super(LogisticRegressionModel, self).__init__() self.linear = nn.Linear(input_dim, 1) def forward(self, x): return torch.sigmoid(self.linear(x)).squeeze() model = LogisticRegressionModel(input_dim=X_train.shape[1]) # 初始化模型实例 ``` ### 定义损失函数和优化器 为了衡量预测值与真实值之间的差距，这里选用交叉熵作为目标函数；同时采用梯度下降法更新权重参数，在实际应用中SGD或Adam更为常用。 ```python criterion = nn.BCELoss() # Binary Cross Entropy Loss Function optimizer = torch.optim.Adam(model.parameters(), lr=0.01) # Adam Optimizer with learning rate set to be 0.01 ``` ### 开始训练过程 进入循环周期进行多次epoch遍历整个数据集合，并不断调整内部参数直到满足收敛准则为止。 ```python for epoch in range(num_epochs): total_loss = 0 for i,(inputs,labels) in enumerate(train_loader): outputs=model(inputs) loss=criterion(outputs.double().view(-1), labels.double()) optimizer.zero_grad() loss.backward() optimizer.step() total_loss +=loss.item() print(f"Epoch {epoch+1}/{num_epochs}, Loss:{total_loss}") ``` ### 存储与恢复模型状态字典 最后一步就是把经过良好拟合后的最佳版本持久化下来供以后再利用。PyTorch允许用户单独序列化包含所有必要信息的状态字典而不是整个模块本身。 ```python torch.save(model.state_dict(),'logreg_model.pth') loaded_model = LogisticRegressionModel(input_dim=X_train.shape[1]) loaded_model.load_state_dict(torch.load('logreg_model.pth')) loaded_model.eval() ``` 以上即是一个完整的从零开始构建基于 PyTorch 的二元逻辑回归解决方案示例。当然还有许多细节有待深入探讨，例如正则项添加避免过拟合现象发生等等。