softmax回归的简洁实现

通过深度学习框架的高级API能够使实现) (softmax) 线性(回归变得更加容易)

import torch
from torch import nn
from d2l import torch as d2l
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

初始化模型参数

        softmax回归的输出层是一个全连接层       

# 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
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights);

重新审视Softmax的实现

      softmax函数，其中其中是预测的概率分布。是未归一化的预测𝐨的第𝑗个元素。如果中的一些数值非常大,导致在上述公式中算出的->0 ，可能会遇到0、inf、nan,解决的办法是在交叉熵损失函数中传递未归一化的预测，并同时计算softmax及其对数       

loss = nn.CrossEntropyLoss()

训练          

num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

小结

• 使用高级API，我们可以更简洁地实现softmax回归。
• 从计算的角度来看，实现softmax回归比较复杂。在许多情况下，深度学习框架在这些著名的技巧之外采取了额外的预防措施，来确保数值的稳定性。这使我们避免了在实践中从零开始编写模型时可能遇到的陷阱。