虽然叫做logistic回归，但其实它是进行分类。

与线性模型的不同

（1）与线性模型不同，除了w，b两个权重外，最后还需要将输出结果限制在0~1之间，所以模型加了一个函数。

（2）因为输出函数不同，所采用的损失函数也不同，采用的是交叉熵，代码中是BCELoss。

（3）最开始的输入，x_data,y_data在线性模型中是数字，而y_data在logistic回归模型中代表的是标签，例如0表示不通过，1表示通过。

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

# 1. 准备数据集
x_data = torch.Tensor([[1.0], [2.0], [3.0]])
y_data = torch.Tensor([[0], [0], [1]])


# 2. 定义线性模型
class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super(LogisticRegressionModel, self).__init__()
        self.linear = torch.nn.Linear(1, 1)

    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x))
        return y_pred



model = LogisticRegressionModel()

# 3. 损失函数和优化器
criterion = torch.nn.BCELoss(size_average=False)
optimizer = torch.optim.SGD(model.parameters(), lr=0.01)


# step 4: Training Cycle  训练循环

for epoch in range(1000):
    y_pred = model(x_data)              # y的预测值
    loss = criterion(y_pred, y_data)    # 损失值

    optimizer.zero_grad()               # 梯度清零

    loss.backward()                     # 反向传播
    optimizer.step()                    # 权重更新


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()