机器学习的分类问题，使用logistics回归（虽然叫回归，但是是做分类任务的）
一：简介
MINIST Dataset 一个手写数字的数据集
其中有10分类，0，1，2，....，9
未来y得到的结果是属于一个集合，集合中的数值为{0，1，2，....，9}，我们需要估算的是y是哪一个数字。
注意：如果是第一个类别让数值等于0，第二个类别数值等于1这种思路非常不好。举个例子，当我们给一个手写的7时，我们知道手写的7与9更接近，与8反而差的多，但是当我给出一个手写的7作为输入时，更接近7，9，此时8作为7后一个输出就比较尴尬，因此通常不使用这样的思想。
此时要注意，手写出的数字，其实在抽象上是没有大小之分的，不能说写的9就比写的0大，只有给他们附上数字的定义时，才有大小之分。
正确的思路应该是，更根据输入的x，输出为0的概率是多少，输出为1的概率是多少，以此类推，最终所有的概率值相加结果为1。最后找出最大的概率，就是我们的预测的最终结果。
下载MNIST Dataset
import torchvision
#root输入下载的地址 train训练集还是测试集 download表示是否在网上进行下载，如果第一次就设True 已经下载完就不会自动下载了
train_set = torchvision.datasets.MNIST(root="./dataset/mnist",train = True, download=True)
test_set = torchvision.datasets.MNIST(root="./dataset/mnist/",train = False, download=True)但是由于网络限制，这种方法通常会报错，可以尝试下面解决方法：
【已解决】MNIST数据集下载失败：HTTP Error 403: Forbidden-CSDN博客
还有其他很多的分类的数据集，大家可以在网上自行了解。
二：回归任务和分类任务的区别
左边是回归任务，右边是分类任务。
回归任务：y表示在输入x的情况下，未来y可以得到的数值。
分类任务：y不表示可以拿多少数值，而是是否通过。如果只是二分类，就类似与我们数学中的01分布。所以在分类任务中，我们需要计算的每一个输入的概率。
三：logistics函数
由于我们在线性模型中得到的输出为一个实数，但是在分类任务中最后的结果是属于[0,1]范围内的，所以需要一个映射函v
那现在做分类的时候，工作就简单了。现在还是使用线性模型，得到的结果使用logistics函数再算一下。
当然还有其他的sigmoid函数（函数的极限是从-1到1）（都是单调增函数）（都是饱和函数）：
四：logistics回归模型
整体过程没有发生变化，主要就是再线性回归模型外再加上了一个logistics函数操作。
模型变化后，相应的损失函数也会发生变化。损失函数变化导致的损失值如何变化？
那为什么下面一个函数可以进行分布间的差异呢？（下图中BC其实是BCE）
看一下BCE的值，发现y与y_hat相差越大时，loss值越大。Mini-batch 是几个损失值的平均值。
代码如下：（在看代码前，看一下本节四第一张图片，线性回归和logistics回归在计算y_hat的差别）
import torch.nn.functional as F
class LogisticRegressionModel(torch.nn.Module):
def __init__(self):
#与之前线性的一致，因为sigma 是没有数值的
super(LogisticRegressionModel,self).__init__()
self.linear = torch.nn.Linear(1,1)
def forward(self,x):
#logistic回归和线性回归就差F.sigmoid这一步的运算
y_pred = F.sigmoid(self.linear(x))#先进行一次线性变换，随后进行sigmoid运算
return y_predloss函数代码如下（之前线性选择MSE，现在选择BCE）：
criterion = torch.nn.BCELoss(size_average=False)五：总代码
