感知器模型的训练

感知器模型的训练与线性回归模型类似。 我们初始化我们的神经模型，该模型在输入层有两个输入节点，并且具有 sigmoid 激活函数的单个输出节点。 当我们把我们的模型绘制到数据上时，我们发现它与我们的数据不太匹配。 我们需要训练此模型，以便该模型具有最佳的权重和偏差参数，并拟合此数据。

训练模型有以下步骤

步骤 1

在第一步中，我们将计算模型的误差的标准是回顾交叉熵。 我们的损失函数将基于二元交叉熵损失 (BCELoss) 进行测量，因为我们只处理两个类。 它从 nn 模块导入。

步骤 2

现在，我们的下一步是使用优化器更新参数。 因此我们定义了优化器，它使用梯度下降算法（随机梯度下降）。

步骤 3

现在，我们将像在线性模型中一样，按照指定的时期数来训练我们的模型。 因此，代码将类似于线性模型，如下所示

现在，最后我们只需调用 plotfit() 方法即可绘制我们新的线性模型。