一、softmax回归从零开始实现
1. 获取和读取数据集
本次实验数据集我们选择Fashion-MNIST数据集,使用d2l包可以之直接获取,同时设置读取数据集时的小批量大小为256
2. 定义softmax操作
Softmax操作包括以下三个步骤:
1. 对每个项求幂(使用exp()函数)
2. 对1的结果的每一行进行求和,得到每一行(样本)的规范化常数)
3. 将1的结果的每一行除以该行的规范化参数,使得每一行的和为1
def softmax(X):
X_exp = torch.exp(X)
partition = X_exp.sum(1, keepdim=True)
print(X_exp, partition)
return X_exp / partition # 这里应用了广播机制
对每一行求和时注意要保留矩阵的维度以便后续的运算,在X_exp/partition时,partition形状与X_exp不同,会触发广播机制,使其形状复制扩展为与X_exp相同。
3. 初始化模型参数
在softmax回归中我们使用的数据集中的样本为28x28的图像,为了简化问题,我们将其降维看作长度为784的向量,每个像素位置视为一个特征,即每个样本拥有784个特征。在softmax回归中,输出与类别一样多,我们使用的数据集类别有10个,样本特征有784个,因此将权重设为784 X 10的矩阵,偏差值也需要有10个。权重和偏差的初始化我们设置为与线性回归的初始值相同。
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)
4. 定义模型
使用同线性回归相同的操作,将特征乘上权重加再加上偏差即可得到预测值,X和w相乘时需要先将二维降至一维。
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
5. 定义损失函数
使用交叉熵损失函数
def cross_entropy(y_hat, y):
return - torch.log(y_hat[range(len(y_hat)), y])
6. 分类精度
要计算分类的精度,我们首先需要计算正确预测的个数。要计算正确预测的个数,我们需要将y_hat中的数据与y进行比较,相同的即为正确预测,计为1,否则为错误预测,计为0.
计算出正常预测的个数后将个数除以总预测数即可得到分类的精度。
7. 训练
首先将模型设置为训练模式
然后开始训练损失值、正确预测数量:
从数据集中抽取一个小批量
计算预测值和损失值以及损失函数梯度值
保存训练损失值、预测正确数量和总数量
使用优化器根据梯度值更新模型参数
返回训练损失值和训练分类精度(预测正确数量/总数量)
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) #创建3个变量
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.backward()
updater.step()
metric.add(float(l) * len(y), accuracy(y_hat, y), # 3个变量分别保存训练损失值、预测正确数量和总数量
y.size().numel())
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]
接着选择0.1的学习率进行训练10个周期
8. 预测
训练完后,我们便可开始预测,并比较预测标签与实际标签
可以看到,在这几个例子中的预测结果均正确。
二、softmax的简洁实现
1. 初始化模型参数
实例化一个Sequential类,添加一个带有10个输出的全连接层。初始化权重值为标准差为0.01的标准正态随机值。
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
def init_weights(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights)
2. 定义损失函数
使用交叉熵损失函数
loss = nn.CrossEntropyLoss()
3. 优化算法
同样使用SGD()函数进行优化,学习率设置为0.1
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
4. 训练
调用d2l包中的train_ch3函数来训练模型,训练周期为10
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
训练结果