1、softmax
softmax前不需要激活函数。
使用softmax是为了满足
(1)各个类别的概率大于0;
(2)各个概率之和=1;
使用one hot编码器对类别进行“二进制化”操作,然后将其作为模型训练的特征
2、NLLloss
nn.NLLLoss输入是一个对数概率向量和一个目标标签,它与nn.CrossEntropyLoss的关系可以描述为:softmax(x)+log(x)+nn.NLLLoss====>nn.CrossEntropyLoss
在实际训练中,如果做的是分类任务,且使用CrossEntropyLoss作为损失函数的话,神经网络的部分就没必要加入nn.Softmax或者nn.LogSoftmax等之类的,因为在CrossEntropyLoss已经内置了该功能。
3、代码解释
3.1 x.view()
torch.view()详解及-1参数是什么意思 - MartinLwx - 博客园 (cnblogs.com)
3.2 for batch_idx, data in enumerate(train_loader, 0):
(52条消息) for batch_idx(或者i), data in enumerate(train_loader, 0): 到底是什么意思_波尔德的博客-CSDN博客
3.3 with torch.no_grad():
3.4 _, predicted = torch.max(outputs.data, dim=1)
比如说测试集有10个数据,那么训练好的网络将会预测这10个数据,得到一个10×2的矩阵(假设是二分类问题),比如说预测结果是下面这个矩阵。
dim=1 输出每个样本的预测类别
3.5 概念更正 训练集、验证集和测试集
机器学习干货篇:训练集、验证集和测试集 - 知乎 (zhihu.com)
3.6 if __name__ == ‘__main__‘
(52条消息) Python中if __name__ == ‘__main__‘:的作用和原理_python if_农村詹姆斯的博客-CSDN博客
4、代码
import torch
from torchvision import transforms # 对数据进行原始处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F #激活函数
import torch.optim as optim
# prepare dataset
# MNIST数据集是机器学习领域中非常经典的一个数据集,由60000个训练样本和10000个测试样本组成,每个样本都是一张28 * 28像素的灰度手写数字图片。
batch_size = 64
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) # 先转换成Tensor,再归一化,均值和方差,这两个统计值是自己定的
train_dataset = datasets.MNIST(root='../dataset/mnist/', train=True, download=True, transform=transform) # 下载数据集到该py文件上一层目录中,
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size) #加载数据集
test_dataset = datasets.MNIST(root='../dataset/mnist/', train=False, download=True, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)
## design model using class
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256, 128)
self.l4 = torch.nn.Linear(128, 64)
self.l5 = torch.nn.Linear(64, 10)
def forward(self, x):
x = x.view(-1, 784) # x.view()就是对tensor进行reshape;X.view(-1)中的-1本意是根据另外一个数来自动调整维度,但是这里只有一个维度,因此就会将X里面的所有维度数据转化成一维的,并且按先后顺序排列
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x))
return self.l5(x) # 最后一层不做激活,不进行非线性变换
model = Net()
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# training cycle forward, backward, update
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):#索引从0开始 data里面包含图像数据(inputs)(tensor类型的)和标签(labels)(tensor类型)。enumerate()用于可迭代\可遍历的数据对象组合为一个索引序列,同时列出数据和数据下标.
# 获得一个批次的数据和标签
inputs, target = data
optimizer.zero_grad()
# 获得模型预测结果(64, 10)
outputs = model(inputs)
# 交叉熵代价函数outputs(64,10),target(64)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
# print(epoch, batch_idx, loss.item) #batch_idx=937=60000/64
# if batch_idx % 300 == 299:#取模 - 返回除法的余数,只打印300,600,900
# print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))#把前300个loss,300-600个loss,600-900个loss加起来取平均
# running_loss = 0.0
def test():
correct = 0
total = 0
with torch.no_grad():#只是计算loss,并没有让loss去更新网络参数
for data in test_loader:#测试的时候不需要batch
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, dim=1) # dim = 1 列是第0个维度,行是第1个维度
total += labels.size(0) #
correct += (predicted == labels).sum().item() # 张量之间的比较运算
print('accuracy on test set: %d %% ' % (100 * correct / total))
# if __name__ == '__main__':
for epoch in range(10):
train(epoch)
# test()