二分类问题的实现方法，核心是把线性回归的 “连续值输出” 改成 “0/1 类别概率输出”。最基础常用的二分类模型基于逻辑回归（Logistic Regression）。
线性回归实现方式：PyTorch实现线性回归-CSDN博客
二分类本质上也是一种回归（Regression）问题，在上述线性回归的基础上修改就可以实现。下面是线性回归与二分类任务的差异：
| 环节 | 线性回归（回归任务） | 二分类（分类任务） |
| 输出目标 | 连续数值（如 y=2x 的预测值） | 0/1 类别概率（0≤P≤1） |
| 核心激活函数 | 无（直接输出线性结果） | Sigmoid（把线性输出映射到 0-1） |
| 损失函数 | MSELoss（均方误差） | BCELoss（二元交叉熵损失） |
| 预测逻辑 | 直接取输出值 | 概率 > 0.5 归为 1 类，≤0.5 归为 0 类 |
1. 准备数据集（Prepare Dataset）
对比线性回归，数据格式还是 Tensor，但标签y_data是0/1 离散值，这是分类任务的核心特征。
import torch # 构造数据集：特征x（学分），标签y（0=不及格，1=及格） # 样本：[1.0], [2.0], [3.0] → 标签：0,0,1 x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[0], [0], [1]])2. 设计模型（Design model）
class LogisticRegressionModel(torch.nn.Module): def __init__(self): super().__init__() self.linear = torch.nn.Linear(1, 1) def forward(self, x): # 核心：线性输出 + Sigmoid激活 → 映射到0-1概率 y_pred = torch.sigmoid(self.linear(x)) return y_pred model = LogisticRegressionModel()- Sigmoid函数公式：
forward中增加torch.sigmoid()：把线性层的 “任意实数输出” 压缩到0~1 区间，这个值就是 “样本属于 1 类的概率”。
3. 构造损失函数（Construct Loss）
criterion = nn.BCELoss(reduction='sum')- BCELoss：二元交叉熵损失，是二分类的专用损失。
关于二元交叉熵损失函数的介绍，参考文章PyTorch_conda-CSDN博客中《nn.BCELoss（二元交叉熵损失）》一节。
4. 构造优化器（Construct Optimizer）
optimizer = torch.optim.SGD(model.parameters(), lr=0.0001)5. 训练循环（Training Cycle）
for epoch in range(1000): y_pred = model(x_data) # 前向传播（计算预测值) loss = criterion(y_pred, y_data) # 计算损失值 print(epoch, loss.item()) optimizer.zero_grad() # 梯度清零 loss.backward() # 反向传播计算梯度 optimizer.step() # 更新参数完整实例
import torch import torch.nn as nn x_data = torch.Tensor([[1.0], [2.0], [3.0]]) y_data = torch.Tensor([[0], [0], [1]]) class LogisticRegressionModel(nn.Module): def __init__(self): super().__init__() self.linear = nn.Linear(1, 1) def forward(self, x): return torch.sigmoid(self.linear(x)) model = LogisticRegressionModel() criterion = nn.BCELoss(reduction='sum') optimizer = torch.optim.SGD(model.parameters(), lr=0.01) for epoch in range(10000): y_pred = model(x_data) loss = criterion(y_pred, y_data) if epoch % 1000 == 0: print(f"Epoch: {epoch}, Loss: {loss.item():.4f}") optimizer.zero_grad() loss.backward() optimizer.step() x_test = torch.Tensor([[4.0]]) y_test_pred = model(x_test) print("\n测试结果：") print('y_pred = ', y_test_pred.data) # 查看模型参数 print(f"\n模型权重：{model.linear.weight.item():.6f}") print(f"模型偏置：{model.linear.bias.item():.6f}"))
- 幻方修复（Java JS Python）)
