motto：乾坤未定，你我皆是黑马
文章目录
一、softmax回归
二、softmax回归从0开始实现代码
1.引入库
2.读入数据
3.实现softmax
3.1softmax函数 编辑
3.2验证softmax
4.实现softmax回归
5.创建一个数据y_hat,其中包含两个样本在三个类别的预测概率，使用y作为y_hat中的概率索引
6.实现交叉熵损失函数
7.将预测类别与真实y元素进行比较
8.评估在任意模型net的准确率
9. Accumulator实例中创建了两个变量，用于分别存储正确预测的数量和预测的总数量
10.softmax回归训练
11. 定义一个在动画中绘制数据的实用程序类
12.训练函数
13.预测标签
附：
前言
本文作为pytorch小白自学pytorch的一份笔记，仅供各位参考，如有错误，还望各位大佬指正，感谢各位的浏览。
本文主要代码参考自李沐的课程，参考书籍动手深度学习
提示：以下是本篇文章正文内容，下面案例可供参考
一、softmax回归
softmax 回归同线性回归一样，也是一个单层神经网络。由于每个输出 o1,o2,o3的计算都要依赖于所有的输入 x1,x2,x3,x4, softmax回归的输出层也是一个全连接层。
二、softmax回归从0开始实现代码
1.引入库
代码如下（示例）：
import torch
from IPython import display
from d2l import torch as d2l
batch_size=256
train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size) #返回训练集和测试集的迭代器
2.读入数据
代码如下（示例）：
num_inputs=784 #由于每张图片大小为28*28=784，所以softmax回归的输入为长度784的向量
num_outputs=10 #数据集有10个类，输出维度为10
w=torch.normal(0,0.01,size=(num_inputs,num_outputs),requires_grad=True) #一个正态分布，均值为0，方差为0.01，形状为输入个数784行，输出个数10列
b=torch.zeros(num_outputs,requires_grad=True) #对每个输出都需要进行偏移，所以偏移是一个长为10的向量
#requires_grad=true表示需要计算梯度
3.实现softmax
3.1softmax函数
def softmax(x):
x_exp=torch.exp(x) #对x中元素作指数运算，y=e^x
partition=x_exp.sum(1,keepdims=True) #按列求和，每一行都将本行所有元素相加并保持维度，就形成列向量
return x_exp/partition #这里采用了广播机制
3.2验证softmax
x=torch.normal(0,1,(2,5)) #创建一个随机的均值为0，方差为1的两行五列的矩阵
x_prob = softmax(x) #将x放进softmax中
x_prob,x_prob.sum(1)
输出结果为：
(tensor([[0.1122, 0.1672, 0.3084, 0.3002, 0.1120],
[0.0812, 0.1742, 0.0242, 0.1818, 0.5386]]),
tensor([1.0000, 1.0000]))
4.实现softmax回归
def net(x):
return softmax(torch.matmul(x.reshape((-1,w.shape[0])),w)+b) #matmul是矩阵乘法函数，相当于mm
#X.reshape((-1, W.shape[0])把X变成256x784的矩阵，-1表示采用numpy自己算X有多少个，W前面初始化时拉成了784x10的矩阵。
5.创建一个数据y_hat,其中包含两个样本在三个类别的预测概率，使用y作为y_hat中的概率索引
y=torch.tensor([0,2])
y_hat=torch.tensor([[0.1,0.3,0.6],[0.3,0.2,0.5]])
y_hat[[0,1],y]
#y中为[0,2]
#相当于y_hat在[0,1]和y中前后各取一个下标，y_hat[0,0],y_hat[1,2]
6.实现交叉熵损失函数
def cross_entropy(y_hat,y):
return -torch.log(y_hat[range(len(y_hat)),y])#range生成一个长度为n的0-n向量，取出真实标号预测值，然后求log再求负数
cross_entropy(y_hat,y) #len(matrix)——求的是矩阵的行
7.将预测类别与真实y元素进行比较
def accuracy(y_hat,y):
"""计算预测正确的数量"""
if len(y_hat.shape)>1 and y_hat.shape[1]>1: #判断y_hat矩阵行和列是否均大于1
y_hat=y_hat.argmax(axis=1) #argmax(axis=1)表示在行中进行比较，找出最大的列的索引
cmp=y_hat.type(y.dtype)==y #将y_hat转换成y的数据类型，并和y作比较，返回一个bool类型数据cmp
return float(cmp.type(y.dtype).sum()) #将cmp转换成y的形状并求和，相当于找出预测正确的样本数
accuracy(y_hat,y)/len(y) #预测正确的样本数除以总样本数就是预测正确的概率
8.评估在任意模型net的准确率
def evaluate_accuracy(net,data_iter):
"""计算在指定数据集上的模型精度"""
if isinstance(net,torch.nn.Module):#isinstance()函数来判断一个对象是否是一个已知的类型，isinstance() 会认为子类是一种父类类型，考虑继承关系。
net.eval() #将模型设置为评估模式(评估模式指输入后得出结果用来评估模型的精确度，不做反向传播)
metric= Accumulator(2) #正确预测数，预测总数，见下方Accumulator类
for X,y in data_iter:
metric.add(accuracy(net(X),y),y.numel()) #向add函数中传入预测准确的样本数和总样本数
return metric[0]/metric[1] #返回 分类正确的样本数/总样本数 即所求精度
9. Accumulator实例中创建了两个变量，用于分别存储正确预测的数量和预测的总数量
参考文章https://blog.csdn.net/m0_46146255/article/details/121907748
class Accumulator:
"""在n个变量上累加"""
def __init__(self,n):
self.data=[0.0]*n
def add(self,*args): #*args接收非关键字的传参可以是元组，或者是字符串
self.data=[a+float(b) for a,b in zip(self.data,args)]
#self.data是[0.0, 0.0],倘若args接收的传参为(4, 5)，那么for a, b in zip(self.data, args) 表示 a = 0.0,b = 4,然后执行a + float(b)，得到结果4.0，此时self.data = [4.0, 0.0],然后同样再来一次for循环，a = 0.0, b = 5,然后执行a + float(b) 得到结果5.0，最后self.data = [4.0, 5.0]。
def reset(self):
self.data=[0.0]*len(self.data)
def __getitem__(self,idx):
return self.data[idx]
evaluate_accuracy(net,test_iter)
输出结果：0.1055
10.softmax回归训练
def train_epoch_ch3(net,tain_iter,loss,updater):
if isinstance(net,torch.nn.Module):#判断是否为nn模型
net.train() #开启训练模式，要计算梯度
metric= Accumulator(3)
for X,y in train_iter:
y_hat=net(X)
l=loss(y_hat,y)
if isinstance(updater,torch.optim.Optimizer):
updater.zero_grad() #将梯度设置为0
l.mean().backward() #计算梯度
updater.step()
metric.add(float(1)*len(y),accuracy(y_hat,y),y.size().numel())
else:
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()),accuracy(y_hat,y),y.numel())
return metric[0]/metric[2],metric[1]/metric[2]
11. 定义一个在动画中绘制数据的实用程序类
class Animator:
def __init__(self,xlabel=None,ylabel=None,legend=None,xlim=None,ylim=None,xscale='linear',
yscale='linear',fmts=('-','m--','g-.','r:'),nrows=1,ncols=1,figsize=(3.5,2.5)):
if legend is None:
legend=[]
d2l.use_svg_display()
self.fig,self.axes=d2l.plt.subplots(nrows,ncols,figsize=figsize)
if nrows*ncols==1:
self.axes=[self.axes,]
self.config_axes=lambda:d2l.set_axes(self.axes[0],xlabel,ylabel,xlim,ylim,xscale,yscale,legend)
self.X,self.Y,self.fmts=None,None,fmts
def add(self,x,y):
if not hasattr(y,"__len__"):
y=[y]
n=len(y)
if not hasattr(x, "__len__"):
x = [x] * n
if not self.X:
self.X = [[] for _ in range(n)]
if not self.Y:
self.Y = [[] for _ in range(n)]
for i, (a, b) in enumerate(zip(x, y)):
if a is not None and b is not None:
self.X[i].append(a)
self.Y[i].append(b)
self.axes[0].cla()
for x, y, fmt in zip(self.X, self.Y, self.fmts):
self.axes[0].plot(x, y, fmt)
self.config_axes()
display.display(self.fig)
display.clear_output(wait=True)
12.训练函数
def train_ch3(net,train_iter,test_iter,loss,num_epochs,updater):
animator=Animator(xlabel='epoch',xlim=[1,num_epochs],ylim=[0.3,0.9],
legend=['train loss','train acc','test acc'])
for epoch in range(num_epochs):
train_metrics=train_epoch_ch3(net,train_iter,loss,updater)
test_acc=evaluate_accuracy(net,test_iter)
animator.add(epoch+1,train_metrics+(test_acc,))
train_loss,train_acc=train_metrics
assert train_loss < 0.5, train_loss
assert train_acc <= 1 and train_acc > 0.7, train_acc
assert test_acc <= 1 and test_acc > 0.7, test_acc
lr = 0.1
def updater(batch_size):
return d2l.sgd([w,b],lr,batch_size)
num_epochs=10
train_ch3(net,train_iter,test_iter,cross_entropy,num_epochs,updater)
d2l.plt.show()
输出结果
13.预测标签
def predict_ch3(net, test_iter, n=6): '''预测标签'''
for X, y in test_iter:
break
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
d2l.show_images(
X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
predict_ch3(net, test_iter)
输出结果
附：
若浏览时发现问题，还望各位指正，感谢！
好文阅读
您阅读本篇文章共花了：
发表评论