一、Softmax回归实现原理回顾
· 不同于逻辑回归,Softmax回归不仅仅解决二分类问题,而是可以解决多分类问题
· 将各个可能的分类具化为概率值:
· 定义Softmax模型对于每个参数的输出:
· Softmax预测原理总结:
①假设数据有3(x)个特征值,4(o)个可能的输出类别,则未规范化预测为:
假设数据有d个特征值,q个输出类别,n个样本数据量,则:
参数W为dxq矩阵,样本X为nxd矩阵,两者相乘变为nxq矩阵。
· 意味着对n个样本数据,每个样本对应的4个类别的概率大小构成的d维向量叠加n层。
②得到未规范化预测值o后,要对其规范化为非负、总和为1的预测值,并将其输出。
Softmax()的作用是规范化预测,将预测值表示成每个类别对应的概率,取最大者作为预测
这样,我们就拿到了n个样本对应的预测输出值Y,Y为nxq矩阵,表示n个样本对应类别预测
③计算损失函数(交叉熵损失)度量预测效果。
给定n个样本数据,每个样本由特征向量x和独热标签向量y组成。
根据极大似然估计,我们要使预测更精准,应当使对应类别的预测值更贴近于0或1。
· 由于预测值是一个必然<1的概率,借助对数化度量其值:
· 其中 是真实值,因此概率为0的类别被滤掉,只对真实概率为1的类别不断逼近
考虑对任何未规范化的预测 的导数,得到:
也就是说,导数是softmax模型计算分配的概率与实际标签概率之间的差距。
通过这个损失函数,将会使预测值向量越来越逼近真实值向量。
二、从零实现Softmax回归
· 代码及注解如下:
import torch
from IPython import display
from d2l import torch as d2l
## 数据准备
# 定义数据迭代器批量为256,引入Fashion-MNIST数据集
batch_size = 256
# 训练集和测试集的迭代器
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 输入的图像数据都是28x28像素的图片,但是我们需要将它拉平为一条784长度的向量
# 分类的类别有10个,因此网络输出维度设置为10
# 初始化权重参数w和偏移b,利用正态分布初始化
# ※需要定义好w的行列值,w是dxq的,由于q=10,故b为1x10的向量
# 或者,也可以将b设置为1x1,使其自行广播机制
num_inputs = 784
num_outputs = 10
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)
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)
## 定义Softmax回归模型
# 首先,利用torch.exp对每个元素作指数运算
# 接下来,设置sum轴1(对每一行求和,将784个特征值对应的指数求和)
def softmax(X):
X_exp = torch.exp(X)
partition = X_exp.sum(1, keepdim=True)
return X_exp / partition # 应用广播机制,将X_exp每一行的每个元素除以partition每一行的元素
# 矩阵中非常大或非常小的元素可能造成数值上溢或下溢
X = torch.normal(0, 1, (2, 5))
X_prob = softmax(X)
X_prob, X_prob.sum(1)
# 实现softmax回归模型,将X重设为256x784的矩阵,与x做乘积再加b
# 这样,对于一个批量大小的数据X,就可以通过softmax回归将每个X转化为10个类别的概率了
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
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]
## 定义交叉熵损失
# 这里,len是元素数量而不是长度
# 这个地方借助真实值y来拿取y_hat预测值相对应类别的概率
# y是一个1xn的矩阵,对应了n个样本中每个样本属于第几个类别
# y_hat是一个nxq的矩阵,对应了n个样本中每个样本对每个类别的概率预测值
# range(len(y_hat))遍历y_hat的每一行,每次拿出一行来与y对应的那一个样本的类别作对应
# 这样,就得到该样本对y对应的类别所预测的概率,以这个概率的负对数做损失函数
def cross_entropy(y_hat, y):
return - torch.log(y_hat[range(len(y_hat)), y])
cross_entropy(y_hat, y)
## 将预测类别与真实值y作比较
# 分类精度数预测正确数与预测总数之比
# 如果y_hat是一个多行多列(多样本、多类别)的矩阵,则将每行中最大元素的索引作为其每行预测值
# ※注意,记得将y_hat转化为y的数据类型使其一致
# cmp是一个仅包含0和1的张量,有等同于样本数的元素数
# 最后求和,就得到了预测正确的样本个数
def accuracy(y_hat, y): #@save
"""计算预测正确的数量"""
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
y_hat = y_hat.argmax(axis=1)
cmp = y_hat.type(y.dtype) == y
return float(cmp.type(y.dtype).sum())
accuracy(y_hat, y) / len(y)
## 计算在任意指定数据集上模型的精度
class Accumulator: #@save
"""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]
# 用于计算模型的精度。它接受两个参数,一个是模型(net),另一个是数据迭代器(data_iter)
# - 如果net是torch.nn.Module的实例,那么将其设置为评估模式。
# - 创建一个Accumulator实例metric,用于存储正确预测的数量和总数量。
# - 在不需要计算梯度的情况下(with torch.no_grad()),遍历数据迭代器中的每一批数据(X, y)
# - 对每一批数据,计算模型的预测精度,并将其添加到metric中
# - 最后,返回正确预测的数量除以总数量,得到模型的精度
def evaluate_accuracy(net, data_iter): #@save
"""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、预测总数
with torch.no_grad():
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
# updater是更新模型参数的常用函数,接收批量大小作为参数,可以是d2l.sgd函数(随机梯度下降)也可以是框架内置优化函数
## 训练模型
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]
# 定义一个在动画中绘制图表的程序类
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
# 我们将利用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)
def predict_ch3(net, test_iter, n=6): #@save
"""预测标签(定义见第3章)"""
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)