动手深度学习笔记（十四）3.7. softmax回归的简洁实现

已于 2022-02-14 23:01:33 修改
阅读量353 收藏
点赞数
分类专栏： pytorch实践 pytorch 文章标签： pytorch
于 2022-02-14 23:00:01 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/juluwangriyue/article/details/122933116
版权
pytorch实践 同时被 2 个专栏收录
136 篇文章 114 订阅 ¥29.90 ¥99.00
订阅专栏
pytorch
94 篇文章 12 订阅
订阅专栏

动手深度学习笔记（十四）3.7. softmax回归的简洁实现

3. 线性神经网络

3.7. softmax回归的简洁实现

在 3.3节中， 我们发现通过深度学习框架的高级API能够使实现

线性回归变得更加容易。 同样，通过深度学习框架的高级API也能更方便地实现softmax回归模型。 本节如在 3.6节中一样， 继续使用Fashion-MNIST数据集，并保持批量大小为256。

import torch
from torch import nn
from d2l import torch as d2l

batch_size = 256
train_iter, test_i
了解本专栏 订阅专栏 解锁全文
落花逐流水
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
动手学深度学习：3.7 softmax回归的简洁实现
qq_38888209的博客
07-24 478
3.7 softmax回归的简洁实现我们在3.3节（线性回归的简洁实现）中已经了解了使用Pytorch实现模型的便利。下面，让我们再次使用Pytorch来实现一个softmax回归模型。首先导入所需的包或模块。import torch from torch import nn from torch.nn import init import numpy as np import sys sys.path.append("..") import d2lzh_pytorch as d2lCopy to cli
3.7 softmax回归简洁实现
qq_43006725的博客
05-12 211
#导入所需的包 import torch from torch import nn from torch.nn import init import numpy as np # import sys # sys.path.append("..") import d2lzh_pytorch as d2l 1.读取或获取数据 #使用Fashion-MNIST数据集和上一节中设置的批量大小。 batch_size = 256 train_iter, test_iter = d2l.load_data_fash
《动手深度学习》3.7. softmax回归的简洁实现
qq_43797820的博客
09-22 450
利用高级API实现softmax回归模型；解决了Softmax的"上溢"&"下溢"问题；model.apply(fn)的使用
14_深度学习_softmax回归的简洁实现
Supre_yuan的博客
10-05 167
通过深度学习框架的高级API也能更方便地实现分类模型。让我们继续使用Fashion-MNIST数据集，并保持批量大小为256。 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) 初始化模型参数 由于sofrmax回归的输出层是一个全连接层，因此，为了实现我们的模型，我们
03.7. softmax回归的简洁实现
weixin_45063703的博客
09-04 655
对每个项求幂（使用exp）；对每一行求和（小批量中每个样本是一行），得到每个样本的规范化常数；将每一行除以其规范化常数，确保结果的和为1。return X_exp / partition # 这里应用了广播机制对于任何随机输入，我们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。注意，虽然这在数学上看起来是正确的，但我们在代码实现中有点草率。矩阵中的非常大或非常小的元素可能造成数值上溢或下溢，但我们没有采取措施来防止这点。定义了输入如何通过网络映射到输出。
深度学习课程python编程实验一Softmax 回归实验内容一
08-29
动手从0实现softmax回归（只借助Tensor和Numpy相关的库）在Fashion-MNIST数据集上进行训练和测试，并从loss、训练集以及测试集上的准确率等多个角度对结果进行分析（需要从0实现交叉熵损失函数）。
深度学习课程python编程实验一Softmax 回归实验内容二
08-29
利用torch.nn实现softmax回归在Fashion-MNIST数据集上进行训练和测试，并对结果进行分析，并从loss、训练集以及测试集上的准确率等多个角度对结果进行分析。
浅谈pytorch中torch.max和F.softmax函数的维度解释
12-17
在PyTorch中，`torch.max`和`F.softmax`是两个非常重要的张量操作函数，它们在神经网络和机器学习任务中有着广泛的应用。理解这两个函数的维度处理方式是至关重要的，因为正确的维度选择直接影响到计算结果的正确性...
基于Pytorch实现softmax回归用于莺尾花分类
09-06
在本文中，我们将深入探讨如何使用PyTorch框架实现softmax回归模型来对鸢尾花（Iris）数据集进行分类。PyTorch是目前广泛使用的深度学习库，它以其灵活性和易用性受到广大开发者的青睐。softmax回归是机器学习中的一...
基于pytorch的logistic与softmax回归模型python代码
12-11
在深度学习领域，Logistic回归和Softmax回归是两种基础但非常重要的模型。它们通常用于分类问题，尤其是二分类和多分类任务。PyTorch是一个流行的深度学习框架，以其灵活性和易用性受到广泛欢迎。下面我们将深入探讨...
动手学深度学习笔记（五）——softmax回归实现
IST-CTO
02-10 2352
我们发现通过深度学习框架的高级API能够使实现线性回归变得更加容易。 同样，通过深度学习框架的高级API也能更方便地实现softmax回归模型。
【学习day2】softmax 回归的简洁实现
Sonia8的博客
12-05 410
主要来源： 李沐老师的pytorch 动手学习深度学习（鞠躬感谢） 记录每日所学，欢迎讨论目录1.初始化模型参数2.重新审视Softmax的实现3. 优化算法 与之前学习【day1】相比，这次发现通过深度学习框架的高级API能够使实现(softmax)线性(回归变得更加容易)。同样地，通过深度学习框架的高级API也能更方便地实现分类模型。让我们继续使用Fashion-MNIST数据集，并保持批量大小为256 1.初始化模型参数 读入数据到迭代器中： import torch from torch impor
softmax回归的简洁实现
AlanxZhang的博客
09-23 309
通过深度学习框架的高级API能够使实现) (softmax) 线性(回归变得更加容易) 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) 初始化模型参数 softmax回归的输出层是一个全连接层 # PyTorch不会隐式地调整输入...
softmax简洁实现
YUNFanZ的博客
02-02 1011
softmax简洁实现代码部分小结 代码部分 import tensorflow as tf from d2l import tensorflow as d2l batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)` net = tf.keras.models.Sequential() net.add(tf.keras.layers.Flatten(input_shape=(28, 28)))
《动手学深度学习》第三章——（4）softmax回归的简洁实现_学习思考与习题答案
weixin_45042017的博客
02-17 1447
softmax回归的简洁实现 注释+习题
深度学习基础16（softmax回归使用pytorch框架简洁实现）
FLR的博客
03-29 1206
softmax回归的简洁实现 深度学习框架的高级API能够使实现softmax 线性回归变得更加容易。 同样，通过深度学习框架的高级API也能更方便地实现softmax回归模型。 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) 初始化模型参数 softmax回归的输出
3.6. softmax回归的从零开始实现|简洁实现
weixin_44019018的博客
04-03 1911
from tkinter.tix import Y_REGION from turtle import update from pyparsing import nums import torch from IPython import display from d2l import torch as d2l # 下载数据集到内存 batch_size = 256 train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) # 1、初始
（八）学习笔记：动手深度学习（Softmax 回归 + 损失函数 + 图片分类数据集）
小刘的博客
01-24 1537
目录
李沐softmax回归简洁实现解释
最新发布
09-27
李沐softmax回归的简洁实现使用了PyTorch框架中的torch.nn模块和torch.nn.functional模块。首先，需要使用torch.nn.Module类创建一个自定义模型。在这个模型中，使用torch.nn.Linear函数定义一个线性层，将输入特征映射到输出类别的概率。然后，使用torch.nn.CrossEntropyLoss作为损失函数，计算模型的分类误差。最后，使用torch.optim模块中的优化器函数对模型参数进行优化，以减小损失。 以下是李沐softmax回归简洁实现的代码示例： ```python import torch from torch import nn from torch.nn import init import torch.nn.functional as F # 定义模型 class SoftmaxRegression(nn.Module): def __init__(self, num_inputs, num_outputs): super(SoftmaxRegression, self).__init__() self.linear = nn.Linear(num_inputs, num_outputs) def forward(self, X): return self.linear(X) # 初始化模型参数 net = SoftmaxRegression(num_inputs, num_outputs) init.normal_(net.linear.weight, mean=0, std=0.01) init.constant_(net.linear.bias, val=0) # 定义损失函数 loss = nn.CrossEntropyLoss(reduction='none') # 定义优化器 optimizer = torch.optim.SGD(net.parameters(), lr=lr) # 训练模型 for epoch in range(num_epochs): for X, y in data_iter: # 前向传播 y_hat = net(X) l = loss(y_hat, y) # 反向传播 optimizer.zero_grad() l.backward() optimizer.step() # 使用训练好的模型进行预测 y_pred = net(X_test) ```

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

落花逐流水

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值