动手学深度学习 图像分类数据集(三) softmax回归的简洁实现
动手学深度学习 图像分类数据系列:
- 动手学深度学习 图像分类数据集(一) Fashion-MNIST的获取与查看
- 动手学深度学习 图像分类数据集(二) softmax回归的从零开始实现
- 动手学深度学习 图像分类数据集(三) softmax回归的简洁实现
本文的内容是介绍如何通过pytorcj简洁实现sofrmax回归完成对Fashion-MNIST的图像分类
资源均可去文末下载 (d2lzh
)
导入需要的包
import torch
from torch import nn
from torch.nn import init
import d2lzh as d2l
读取数据集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
定义和初始化模型
之前手写实现softmax的时候
它的输出层是一个全连接层
所以定义模型的时候可以使用nn.Linear(num_inputs, num_outputs)
来代替线性层
因为前面我们数据返回的每个batch
样本x
的形状为(batch_size, 1, 28, 28)
, 所以我们要先
用view()
将x
的形状转换成(batch_size, 784)
才送入全连接层。
也就是用x.view(x.shape[0], -1)
x.shape[0]
代表batch_size
-1
代表1*28*28=784
# 定义和初始化模型
num_inputs = 784
num_outputs = 10
class LinearNet(nn.Module):
def __init__(self, num_inputs, num_outputs):
super(LinearNet, self).__init__()
self.linear = nn.Linear(num_inputs, num_outputs)
# x shape: (batch, 1, 28, 28)
def forward(self, x):
y = self.linear(x.view(x.shape[0], -1))
return y
net = LinearNet(num_inputs, num_outputs)
书上把定义模型写的更加的简单
它将 把x的形状转换另外定义成一个类,方便后续使用
FlattenLayer
: 改变x的形状为(batchsize, -1)
from collections import OrderedDict
class FlattenLayer(nn.Module):
def __init__(self):
super(FlattenLayer, self).__init__()
# x shape: (batch, *, *, ...)
def forward(self, x):
return x.view(x.shape[0], -1)
net = nn.Sequential(
OrderedDict([
('flatten', FlattenLayer()),
('linear', nn.Linear(num_inputs, num_outputs))
])
)
这里稍微记录一下Sequential
与OrderedDict
结合的用法
下面的写法相当于系统自动为每一层命名
# Example of using Sequential
model = nn.Sequential(
nn.Conv2d(1,20,5),
nn.ReLU(),
nn.Conv2d(20,64,5),
nn.ReLU()
)
使用了OrderedDict
相当于自己为每一层命名
# Example of using Sequential with OrderedDict
model = nn.Sequential(OrderedDict([
('conv1', nn.Conv2d(1,20,5)),
('relu1', nn.ReLU()),
('conv2', nn.Conv2d(20,64,5)),
('relu2', nn.ReLU())
]))
初始化权重参数
PyTorch在init
模块中提供了多种参数初始化方法。
这里的init
是initializer
的缩写形式。
我们通过init.normal_
将权重参数每个元素初始化为随机采样于均值为0
、标准差为0.01
的正态分布。偏差参数默认会初始化为0
。
# 初始化权重参数
init.normal_(net.linear.weight, mean=0, std=0.01)
init.constant_(net.linear.bias, val=0)
损失函数 CrossEntropyLoss()
CrossEntropyLoss()
包括了softma
运算和交叉熵损失计算,它的数值稳定性更高
loss = nn.CrossEntropyLoss()
优化器
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
训练模型
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)
全代码
# -*- coding: utf-8 -*-
# @Time : 2021/2/11 17:29
# @Author : JokerTong
# @File : 图像分类数据集(三) softmax回归的简洁实现.py
import torch
from torch import nn
from torch.nn import init
import d2lzh as d2l
from collections import OrderedDict
# 读取数据集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 定义和初始化模型
num_inputs = 784
num_outputs = 10
class FlattenLayer(nn.Module):
def __init__(self):
super(FlattenLayer, self).__init__()
# x shape: (batch, *, *, ...)
def forward(self, x):
return x.view(x.shape[0], -1)
net = nn.Sequential(
OrderedDict([
('flatten', FlattenLayer()),
('linear', nn.Linear(num_inputs, num_outputs))
])
)
# 初始化权重参数
init.normal_(net.linear.weight, mean=0, std=0.01)
init.constant_(net.linear.bias, val=0)
# 损失函数
loss = nn.CrossEntropyLoss()
# 优化算法
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
# 训练模型
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)
引用资料来源
本文内容来自吴振宇博士的Github项目
对中文版《动手学深度学习》中的代码进行整理,并用Pytorch实现
【深度学习】李沐《动手学深度学习》的PyTorch实现已完成