C231n Assignment 1 作业(3) Softmax线性分类器实现

目录

 

一、Assignment 1 课程作业要求

二、数据集下载及处理 

三、Softmax线性分类器实现

3.1 计算Softmax损失值和梯度

3.2定义Softmax线性分类器

3.2.1 定义初始化和训练函数

3.2.2 定义测试函数和损失值函数

3.2.3 定义Softmax线性分类器

四、调用Softmax分类器进行图片分类

4.1 数据集分割，及归零化处理图片

4.2 调用Softmax训练数据并预测

---

一、Assignment 1 课程作业要求

具体原版要求见链接http://cs231n.github.io/assignments2019/assignment1/  给不能FQ的同志搬运下

对cifar10 数据进行图像数据的10分类，分别有以下要求

1: k-Nearest Neighbor classifier (20 points)   求解链接

2: Training a Support Vector Machine (25 points) 求解链接

3: Implement a Softmax classifier (20 points) 求解链接

4: Two-Layer Neural Network (25 points) 求解链接

5: Higher Level Representations: Image Features (10 points)

 

本文仅完成Softmax 线性分类器部分 ，其他部分请点击上面相关求解链接

 

二、数据集下载及处理 

基本的数据集下载，数据简单批处理，参考https://github.com/Halfish/cs231n/blob/master/assignment1/knn.ipynb中，将下载后的cifar10数据集解压

data_utils.py:

# -*- coding: utf-8 -*-
"""
Created on Sat Feb 29 12:57:18 2020
data_utils.py
@author: acer
"""
import pickle
import numpy as np 
import os 

def load_cifar_batch(filename): 
    with open(filename,'rb') as f : 
        datadict=pickle.load(f,encoding='bytes') 
        x=datadict[b'data'] 
        y=datadict[b'labels'] 
        x=x.reshape(10000,3,32,32).transpose(0,2,3,1).astype('float') 
        y=np.array(y) 
        #以数组形式输出
        return x,y 
#root 为cifar文件根目录
def load_cifar10(root_path): 
    xs=[] 
    ys=[] 
    # 训练集1-5
    for b in range(1,2): #这里只选10000张作为训练集
        # 读取训练集图片
        f=os.path.join(root_path,'data_batch_%d' % (b,)) 
        #每批读取
        x,y=load_cifar_batch(f) 
        #累加 x y 将5批数据合并
        xs.append(x) 
        ys.append(y) 
        #数组拼接
        Xtrain=np.concatenate(xs) 
        Ytrain=np.concatenate(ys) 
    del x ,y 
    # 读取测试集图片
    Xtest,Ytest=load_cifar_batch(os.path.join(root_path,'test_batch'))   
    return Xtrain,Ytrain,Xtest,Ytest

建立读取数据训练的主文件main.py,调用函数读取并显示cifar10图片

main.py:

import numpy as np
from data_utils import load_cifar10
import matplotlib.pyplot as plt

#提取数据
x_train,y_train,x_test,y_test = load_cifar10('.\cifar-10-python\cifar-10-batches-py')
x_test = x_test[0:2000,:]
y_test = y_test[0:2000]
print('training data shape:',x_train.shape) 
print('training labels shape:',y_train.shape) 
print('test data shape:',x_test.shape) 
pr