零基础-动手学深度学习-3.7softmax回归的简洁实现

鄙人生医转码，道行浅薄请谅解~

导入库和数据的操作还是没变的：

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)

一、初始化模型参数

这里初始化实在是太简单了，感受一下（下面每一个chap我都想写这么一句）：

# 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)#到每一层都跑一下去初始化函数

二、重新审视softmax的实现

虽然这部分书上写了很多，但是实际上就只有一行代码，没有原本的分类精度，也没有原本的交叉熵损失的一步步定义，这么看好像之前的工作都没了意义，但我觉得相比于一知半解的走进研究生阶段，又和这过去3年的以及过去9年的应试教育又有何区别？我很喜欢重新审视这个短语，虽然现在学的只是深度学习的皮毛，但是没有重新审视这个过程，在某一刻就永远无法突破，虽然这里审视的是softmax的规范化问题啦~ 

loss = nn.CrossEntropyLoss(reduction='none')

三、优化算法

优化算法依旧与我们在线性回归例子中的相同，这也说明了优化器的普适性 

trainer = torch.optim.SGD(net.parameters(), lr=0.1)

四、训练

训练启动！

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

这就没了？亏内，实在是精简太多了，我也要成为调库侠···