1、softmax 回归
回归和分类的区别:
- 回归估计一个连续值
- 分类预测一个离散类别
大余量: 指数据之间的置信度之间差别较大..可以更明晰的区别该对象属于某一类
两者之间的差最好大于某 一阈值.
2、损失函数
1、均方损失
2、绝对值函数
好处:
梯度永远是常数。对权重的更新影响变化不会很大---稳定性有提升
缺点: 绝对值函数在0点出不可导。
梯度在0点处不平滑。优化到了末期的时候会出现一些问题,可能表现的不会那么稳定。
3、Huber’ s Robust Loss![](https://i-blog.csdnimg.cn/blog_migrate/333150e61f8f0d5efb9dc85981cdbcd3.png)
损失函数分析技巧: 离预测值比较近和比较远的时候他的作用。 最简单的时候还可以看其函数图形和梯度图像图形。
3、图像分类数据集
我们将使用类似但更复杂的Fashion-MNIST数据集 (Xiao et al., 2017)。
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l_loacal import torch as d2l
import matplotlib.pyplot as plt
d2l.use_svg_display() #可以svg展示 图片,清晰度高一点
# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式,
# 并除以255使得所有像素的数值均在0~1之间
trans = transforms.ToTensor()
# transform=trans 拿出来得到的是tensor,而不是图片
mnist_train = torchvision.datasets.FashionMNIST(
root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(
root="../data", train=False, transform=trans, download=True)
# print(len(mnist_train), len(mnist_test)) #60000 10000
print(mnist_train[0][0].shape) #torch.Size([1, 28, 28])
def get_fashion_mnist_labels(labels): #@save
"""返回Fashion-MNIST数据集的文本标签"""
text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
return [text_labels[int(i)] for i in labels]
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
# 展示图片
plt.show()
return axes
batch_size = 256
def get_dataloader_workers(): #@save
"""使用4个进程来读取数据"""
return 4
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers())
# 测试读取数据的时间。 有的时候读取数据的时间比处理数据的时间还要长,这是一个需要注意的点
timer = d2l.Timer()
for X, y in train_iter:
continue
f'{timer.stop():.2f} sec'
def main():
# 以下是训练数据集中前几个样本的图像及其相应的标签。
# iter 得到数据迭代器 next 获取一批数据
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
# 展示图片
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))
if __name__ == '__main__':
main()
4、softmax回归的从零开始实现![](https://i-blog.csdnimg.cn/blog_migrate/a53f358bf073e55b8e48758be9890881.png)
import torch
from IPython import display
from d2l_loacal import torch as d2l
import matplotlib.pyplot as plt
batch_size = 256
num_inputs = 784
num_outputs = 10
# 准备数据集
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
'''
这里的每个样本都将用固定长度的向量表示。 原始数据集中的每个样本都是的图像。
本节将展平每个图像,把它们看作长度为784的向量。
回想一下,在softmax回归中,我们的输出与类别一样多。 因为我们的数据集有10个类别,所以网络输出维度为10。 因此,权重将构成一个784*10的矩阵,
偏置将构成一个 1*10 的行向量。
与线性回归一样,我们将使用正态分布初始化我们的权重W,偏置初始化为0。
'''
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)
# ==========定义softmax操作
def softmax(X):
X_exp = torch.exp(X)
partition = X_exp.sum(1, keepdim=True)
return X_exp / partition # 这里应用了广播机制
# ==========定义模型
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
# ==========定义损失函数---交叉熵损失函数
def cross_entropy(y_hat, y):
return - torch.log(y_hat[range(len(y_hat)), y])
# ==========分类精度
def accuracy(y_hat, y): #@save
"""计算预测正确的数量"""
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
y_hat = y_hat.argmax(axis=1)
cmp = y_hat.type(y.dtype) == y
return float(cmp.type(y.dtype).sum())
def evaluate_accuracy(net, data_iter): #@save
"""计算在指定数据集上模型的精度"""
if isinstance(net, torch.nn.Module):
net.eval() # 将模型设置为评估模式
metric = Accumulator(2) # 正确预测数、预测总数
with torch.no_grad():
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
class Accumulator: #@save
"""在n个变量上累加"""
'''Accumulator用于对多个变量进行累加。 在上面的evaluate_accuracy函数中, 我们在Accumulator实例中创建了2个变量,
分别用于存储正确预测的数量和预测的总数量。 当我们遍历数据集时,两者都将随着时间的推移而累加。'''
def __init__(self, n):
self.data = [0.0] * n
def add(self, *args):
self.data = [a + float(b) for a, b in zip(self.data, args)]
def reset(self):
self.data = [0.0] * len(self.data)
def __getitem__(self, idx):
return self.data[idx]
# ============训练
def train_epoch_ch3(net, train_iter, loss, updater): #@save
"""训练模型一个迭代周期(定义见第3章)"""
# 将模型设置为训练模式
if isinstance(net, torch.nn.Module):
net.train()
# 训练损失总和、训练准确度总和、样本数
metric = Accumulator(3)
for X, y in train_iter:
# 计算梯度并更新参数
y_hat = net(X)
l = loss(y_hat, y)
if isinstance(updater, torch.optim.Optimizer):
# 使用PyTorch内置的优化器和损失函数
updater.zero_grad()
l.mean().backward()
updater.step()
else:
# 使用定制的优化器和损失函数
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
# 返回训练损失和训练精度
return metric[0] / metric[2], metric[1] / metric[2]
class Animator: #@save
"""在动画中绘制数据"""
'''绘制结果的动画'''
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)):
# 增量地绘制多条线
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, ]
# 使用lambda函数捕获参数
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):
# 向图表中添加多个数据点
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()
plt.draw() #画图
plt.pause(0.001)
display.display(self.fig)
display.clear_output(wait=True)
def show(self):
display.display(self.fig)
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
"""训练模型(定义见第3章)"""
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)
plt.pause(0)
5、softmax 简洁实现![](https://i-blog.csdnimg.cn/blog_migrate/935346746a35a964b0eb01cc7f59fe9f.png)
![](https://i-blog.csdnimg.cn/blog_migrate/d9279aea7ad0f25538f710bf14839630.png)
import torch
from torch import nn
from d2l_loacal import d2l_com as d2l_c
import matplotlib.pyplot as plt
batch_size = 256
train_iter, test_iter = d2l_c.load_data_fashion_mnist(batch_size)
# PyTorch不会隐式地调整输入的形状。因此,我们在线性层前定义了展平层(flatten),来调整网络输入的形状
''' softmax回归的输出层是一个全连接层。 因此,为了实现我们的模型, 我们只需在Sequential中添加一个带有10个输出的全连接层。
同样,在这里Sequential并不是必要的, 但它是实现深度模型的基础。'''
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
def init_weights(m):
'''以均值0和标准差0.01随机初始化权重。'''
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights);
# 损失函数
loss = nn.CrossEntropyLoss(reduction='none')
# 优化算法--使用学习率为0.1的小批量随机梯度下降作为优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
# 训练
num_epochs = 10
d2l_c.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
plt.pause(0)