分类和回归的区别
回归:估计一个连续值
分类:预测一个离散类别
回归:单连续数值输出、自然区间、跟真实值的区别作为损失
分类:多个输出、输出i是预测为第i类置信度
校验比例
对类别进行一位有效编码,y=[y1, y2, y3,…,yn]^T, {yi=1 if i=y} or {yi=0 otherwise}
使用均方损失训练,最大值为预测y=argmax oi
需要更置信的识别正确类(大余量)oy-oi>=∆(y,i)
输出匹配概率
y ̂=softmax(o)
y ̂i=exp(oi)/∑_k〖exp(ok)〗
概率y和y^的区别作为损失
Softmax和交叉熵损失
交叉熵用于衡量两个概率的区别H(P,Q)=∑_i-pi * log(qi)
将它作为损失
l(y,y ̂)=-∑_i yi* logy^i
其梯度是真实概率和预测概率的区别:∂oil(y,y^)=softmax(o)i-yi
总结
Softmax回归是一个多类分类模型
使用Softmax操作子得到每个类的预测置信度
使用交叉熵来衡量预测和标号的区别
损失函数
以上全部回去看李沐的课件!!!
读取多类分类的数据集
- 图像分类数据集:Fashion-MNIST 数据集
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
d2l.use_svg_display()
通过框架中的内置函数将fashion-MNIST数据集下载并读取到内存中
# 通过ToTensors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使得所有像素数值均在0到1之间
trans=transforms.ToTensor()
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) # 下载测试集,所以train=False
len(mnist_train),len(mnist_test) # 6w张作为训练集,1w张作为测试集
(60000, 10000)
mnist_train[0][0].shape # 第0个example的形状:torch的形状,1是rgb中表示黑白,长28,宽28
torch.Size([1, 28, 28])
两个可视化数据集的函数
def get_fashion_mnist_labels(labels):
'''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):
'''Plot a list of images.图片显示'''
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)
X,y=next(iter(data.DataLoader(mnist_train,batch_size=18))) # batch_size可以大小固定是18的批量数据
show_images(X.reshape(18,28,28),2,9,titles=get_fashion_mnist_labels(y)) # reshape数据里18是batch_size
batch_size=256
def get_dataloader_workers():
'''使用2个进程来读取的数据''' # 返回进程数,可根据cpu选择,时间越短越高效
return 2
train_iter=data.DataLoader(mnist_train,batch_size,shuffle=True,num_workers=get_dataloader_workers())
timer=d2l.Timer()
for X,y in train_iter:
continue
f'{timer.stop():.2f}sec' # 读一遍数据集的时间
'1.83sec'
定义load_data_fashion_mnist函数: 定义load_data_fashion_mnist函数,用于获取和读取Fashion-MNIST数据集。 这个函数返回训练集和验证集的数据迭代器。 此外,这个函数还接受一个可选参数resize,用来将图像大小调整为另一种形状。
def load_data_fashion_mnist(batch_size,resize=None):
'''下载Fashion-MNIST数据集,然后将其加载到内存中。'''
trans=[transforms.ToTensor()]
if resize:
trans.insert(0,transforms.Resize(resize))
trans=transforms.Compose(trans)
mnist_train=torchvision.datasets.FashionMNIST(root='../data',train=True,transform=trans,download=True)
mnist_test=torchvision.datasets.FashionMNIST(root='../data',train=True,transform=trans,download=True)
return (data.DataLoader(mnist_train,batch_size,shuffle=True,num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False,
num_workers=get_dataloader_workers()))
通过指定resize参数来测试load_data_fashion_mnist函数的图像大小调整功能。
train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
for X, y in train_iter:
print(X.shape, X.dtype, y.shape, y.dtype)
break
torch.Size([32, 1, 64, 64]) torch.float32 torch.Size([32]) torch.int64
Softmax回归的从零开始实现
import torch
from IPython import display
from d2l import torch as d2l
batch_size=256 # 每次随机读256张图片
train_iter,test_iter=d2l.load_data_fashion_mnist(batch_size)
将展平每个图像,将它们视为长度为784的向量。因为我们的数据集有10个类别,所以网络输出维度是10
num_inputs=784 # 之前得知每张照片长28、宽28,展平成为向量后28*28=784
num_outputs=10 # 10个类别
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:给定一个矩阵X,可以对所有元素求和
X=torch.tensor([[1.0,2.0,3.0],[4.0,5.0,6.0]])
X.sum(0,keepdim=True),X.sum(1,keepdim=True) # 按照维度0和维度1求和
(tensor([[5., 7., 9.]]),
tensor([[ 6.],
[15.]]))
实现Softmax:Softmax公式
def softmax(X):
X_exp=torch.exp(X)
partition=X_exp.sum(1,keepdim=True) # 按照维度1对X_exp求和
return X_exp/partition # 应用广播机制
验证是否正确:将每个元素变成一个非负数,此外,依据概率原理,每行总和为1
X=torch.normal(0,1,(2,5)) # 均值为0,方差为1的2行5列的矩阵X,正态分布
X_prob=softmax(X)
X_prob,X_prob.sum(1)
(tensor([[0.1193, 0.5515, 0.1724, 0.0224, 0.1344],
[0.1086, 0.4422, 0.1761, 0.1785, 0.0946]]),
tensor([1.0000, 1.0000]))
实现softmax回归模型
def net(X):
return softmax(torch.matmul(X.reshape((-1,w.shape[0])),w)+b) # reshape成2d的矩阵
创建一个数据y_hat,其中包含2个样本在3个类别的预测概率,使用y作为y_hat中概率的索引
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_hat[[a,b],[c,d]]取y_hat的第a,c个元素和第b,d个元素
# 即取出y_hat[0][0]-->0.1 和 y_hat[1][2]-->0.5
tensor([0.1000, 0.5000])
交叉熵损失函数
def cross_entropy(y_hat,y): # y_hat是预测,y是真实标号
return -torch.log(y_hat[range(len(y_hat)),y])
cross_entropy(y_hat,y)
tensor([2.3026, 0.6931])
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: # if 后面第一个张量是否大于1维,第二个判断第二个维度是否大于1
y_hat=y_hat.argmax(axis=1)
cmp=y_hat.type(y.dtype)==y # cmp是布尔型张量,True表示预测正确,False表示预测错误,转换成整型就是1和0
return float(cmp.type(y.dtype).sum())
accuracy(y_hat,y)/len(y)
0.5
评估任意模型net的精度
def evaluate_accuracy(net,data_iter):
'''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,预测总量,累加器
for X,y in data_iter:
metric.add(accuracy(net(X),y),y.numel()) # accuracy(net(X),y)预测正确的数,y.numel
return metric[0]/metric[1]
class Accumulator:
'''在n个变量上累加'''
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]
evaluate_accuracy(net,test_iter)
0.0996
Softmax回归的训练
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]
在展示训练函数的实现之前,我们定义一个在动画中绘制数据的实用程序类Animator, 它能够简化本书其余部分的代码。
class Animator: #@save
"""在动画中绘制数据"""
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()
display.display(self.fig)
display.clear_output(wait=True)
接下来我们实现一个训练函数。
它会在train_iter访问到的训练数据集上训练一个模型net。
该训练函数将会运行多个迭代周期(由num_epochs指定)。
在每个迭代周期结束时,利用test_iter访问到的测试数据集对模型进行评估。
利用Animator类来可视化训练进度。
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)
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)
Softmax简洁实现
通过深度学习框架的高级API可以使得softmax回归更方便
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)
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,重新定义展平层(Flatten)在线性层前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) # 标准差0.01
net.apply(init_weights);
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(reduction='none')
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)
调用之前定义的训练函数来训练模型
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)