一、导入库
%matplotlib inline
import d2lzh as d2l
from mxnet import gluon, init
from mxnet.gluon import loss as gloss, nn
二、获取Fashion-MNIST数据集并读取数据
在给出代码之前,先介绍一下该数据集。Fashion-MNIST
数据集是比MNIST
数据集更复杂的数据集。其中,
- 图像的形状为(28, 28, 1),表示高、宽均为28,通道数为1(灰度图像)
- 训练集图像每个类别有6000个,测试集图像每个类别有1000个
- 一共10个类别
(在下载数据集的时候,如果速度很慢,可以在网上找别人分享的百度网盘资源~)
代码如下:
batch_size = 256
# root表示存放数据集的路径
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, root='...')
三、定义和初始化模型
net = nn.Sequential()
net.add(nn.Dense(10)) # Softmax回归输出大小为10
net.initialize(init.Normal(sigma=0.01))
四、Softmax运算和交叉熵损失函数
# Softmax运算和交叉熵损失函数合在一个函数里
# 且Gluon提供的这个函数比手动实现的稳定性更好
loss = gloss.SoftmaxCrossEntropyLoss()
五、定义优化算法
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.1})
六、训练模型
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None,
None, trainer)
七、完整代码及运行结果
%matplotlib inline
import d2lzh as d2l
from mxnet import gluon, init
from mxnet.gluon import loss as gloss, nn
## 读取数据
batch_size = 256
# root表示存放数据集的路径
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, root='...')
## 定义模型并初始化
net = nn.Sequential()
net.add(nn.Dense(10)) # Softmax回归也是一个单层全连接层,输出大小为10
net.initialize(init.Normal(sigma=0.01))
## Softmax运算和交叉熵损失函数
# Softmax运算和交叉熵损失函数合在一个函数里
# 且Gluon提供的这个函数比手动实现的稳定性更好
loss = gloss.SoftmaxCrossEntropyLoss()
## 定义优化算法
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.1})
## 训练模型
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None,
None, trainer)
该电子书在“Softmax回归从0实现”部分有一些操作的小技巧,我准备也记录在这里。
1. 计算分类的准确率
假设y_hat
是2个样本在3个类别的预测概率预测的概率分布,y
是这2个样本的标签类别,那么计算准确率函数如下:
def accuracy(y_hat, y):
return (y_hat.argmax(axis=1) == y.astype('float')).mean().asscalar()
argmax()
函数可以返回y_hat
最大元素的索引,即对应的类别序号- 由于
y_hat
是概率分布,里面都是[0, 1]的浮点数。而真实的分布都是0、1的整数。所以如果要比较,应该先将y
转换float
类型 - 结果
mean()
:由于预测正确的部分会变成1,错误的部分会变成0。所以求和之后即为预测正确的个数,取平均值即除预测的总个数。因此取mean()
之后即为准确率 - 由于
mean()
计算的结果是一个矢量,所以需要通过asscalar()
将其变成标量
2.
(好像没有2了。。)