利用torch.nn实现softmax回归Fashion-MNIST数据集上进行训练和测试

利用torch.nn实现softmax回归Fashion-MNIST数据集上进行训练和测试：

（1）（2）（3）同上

（4）构建模型

1. num_inputs = 784  
2. num_outputs = 10  # 共10类  
3.   
4. # 构建模型  
5. class softmaxnet(torch.nn.Module):  
6.     def __init__(self, n_features, n_labels):  
7.         super(softmaxnet, self).__init__()  
8.         self.linear = torch.nn.Linear(n_features, n_labels)  
9.   
10.     def softmax(self, X):  # softmax计算  
11.         X_exp = X.exp()  # 对每个元素做指数运算  
12.         partition = X_exp.sum(dim=1, keepdim=True)  # 求列和，即对同行元素求和 n*1  
13.         return X_exp / partition  # broadcast  
14.   
15.     def forward(self, x):  
16.         x_ = x.view((-1, num_inputs))  
17.         y_ = self.linear(x_)  
18.         y_hat = self.softmax(y_)  
19.         return y_hat  

（5）损失函数和优化算法

1. #损失函数和优化方法  
2. net = softmaxnet(num_inputs, num_outputs)  
3. lr = 0.3  
4. loss = torch.nn.CrossEntropyLoss()  
5. optimizer = torch.optim.SGD(net.parameters(), lr=lr)  

（6）构建测试集准确率函数

1. #测试集的准确度与损失  
2. def get_test_info(data_iter, net):  
3.     right_count, all_count = 0.0, 0  
4.     for x, y in data_iter:  
5.         y_ = net(x)  
6.         l = loss(y_, y)  
7.         right_count += (y_.argmax(dim=1)==y).sum().item()  
8.         all_count += y.shape[0]  
9.     return right_count/all_count, l.item() 

（7）开始优化并分别输出训练集和测试集的损失和准确率

1. num_epoch = 20  
2.   
3. for epoch in range(num_epoch):  
4.     train_r_num, train_all_num = 0.0, 0  
5.     for X, y in train_iter:  
6.         y_ = net(X)  
7.         l = loss(y_, y)  
8.         l.backward()  
9.         optimizer.step()  
10.         optimizer.zero_grad()  
11.         train_r_num += (y_.argmax(dim=1) == y).sum().item()  
12.         train_all_num += y.shape[0]  
13.     test_acc, test_ave_loss = get_test_info(test_iter, net)  
14.     print('epoch %d, train loss %.4f, train acc %.3f' % (epoch+1, l.item(), train_r_num/train_all_num))  
15.     print('          test loss %.4f, test acc %.3f' % (test_ave_loss, test_acc))