import torch
import torch.nn.functional as F

x_data = torch.tensor([[1.0], [2.0], [3.0]])  # 输入特征：学习时间（小时）
y_data = torch.tensor([[0.0], [0.0], [1.0]])  # 输出标签：是否通过考试（0=未通过，1=通过）

class LogisticRegressionModel(torch.nn.Module):
    def __init__(self):
        super().__init__() # （新版）
        # super(LogisticRegressionModel, self).__init__() # 必须调用父类初始化（旧版）
        self.linear = torch.nn.Linear(1, 1) # 创建线性层：输入1维，输出1维

    def forward(self, x):
        y_pred = F.sigmoid(self.linear(x)) # 前向传播：y=wx+b，并应用sigmoid函数将输出映射到[0,1]
        return y_pred

model = LogisticRegressionModel() # 实例化模型
# criterion = torch.nn.BCELoss(size_average=False)  # 二元交叉熵损失（已弃用）
criterion = torch.nn.BCELoss(reduction='sum') # 二元交叉熵损失函数（总和，非平均）
optimizer = torch.optim.SGD(model.parameters(), lr=0.01) # 优化器：随机梯度下降

for epoch in range(1000):
    y_pred = model(x_data) # 前向传播
    loss = criterion(y_pred, y_data) # 计算损失
    print("epoch:", epoch, "loss:", loss.item())
    optimizer.zero_grad() # ☆梯度清零
    loss.backward() # 反向传播（自动计算梯度）
    optimizer.step() # 参数更新（自动使用梯度更新所有参数）

import numpy as np
import matplotlib.pyplot as plt

x = np.linspace(0, 10, 200)  # 生成0-10小时的200个点
x_t = torch.Tensor(x).view((200, 1))
y_t = model(x_t)  # 预测每个时间点的通过概率
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()