1. 二分类单层神经网络（逻辑回归）

很多时候，我们用神经网络拟合的时候，不仅有回归问题，有时候也用来进行分类。
分类问题：本质也可以认为也是回归问题，只是把我们最后的输出，使用sigmoid函数进行了分类。


使用sigmoid函数，我们可以自己设定阈值，当大于阈值的时候，我们认为是结果A, 小于阈值时候，结果是B。 因为sigmoid函数的取值区间是（0， 1），所以我们可以方便的设定阈值，然后进行分类。

1.1 最简单的分类

步骤：前向传播–> 对结果添加sigmoid

import torch

X = torch.tensor([[1, 1, 2], [1, 2, 3], [2, 3, 1], [0, 1, 2]], dtype=torch.float)
w = torch.tensor([[1], [-2], [3]], dtype=torch.float)

def logsticR(X, w):
    yhat = X @ w
    # 手写sigmoid
    yhat = 1/(1+torch.exp(-yhat))
    # 对结果进行转换，当大于0.5时候，就是1，否则就是0
    ysig = [int(i) for i in yhat > 0.5]
    return yhat, ysig


y, ysig = logsticR(X, w)
print(y)
print(ysig)

同样的，我们也可以调用torch现成的函数直接运算

def LogsticR(X, w):
    yhat = torch.sigmoid(X @ w)
    ysig = torch.round(yhat)
    return yhat, ysig

y, ysig = LogsticR(X, w)
print(y)
print(ysig)

1.2 其他分类函数

sign， Tanh, ReLu
通常，我们在分类的时候，输出使用sigmoid函数
tanh函数通常用于神经网路的隐藏层
sign函数符号函数

处理的代码，和上面的代码一模一样，只是修改了阈值。

1.3 nn.function库

神经网络总所需的大部分的激活函数，都在这个库中.
注意：在使用nn.function中的内容的时候，传入的参数必须是 tensor

from torch.nn import functional as F
import torch

y = F.sigmoid(torch.tensor([1, 2]))
y = F.tanh(torch.tensor([1, 2, 3]))

print(y)

注意：
很多函数，在torch中，都有进行实现。即我们可以直接使用torch.xxx进行调用。

import torch

y = torch.sigmoid(torch.tensor([1, 2]))
y = torch.tanh(torch.tensor([1, 2, 3]))

print(y)

对比：其实 两个是一模一样的，本质都是调用了 F.sigmoid函数，计算的方式和结果没有区别。只是torch中，会包含更多的内容，比如torch.sign符号函数等。

2. 多分类单层神经网络

对于二分类，其实很容易扩展到多分类中。只是最后的输出函数不同，前面的训练流程都是一模一样的。
多分类问题中，我们使用softmax函数进行分类。 可以认为softmax函数，输出的结果也是概率。把概率最大的作为最后的结果。