【动手学习深度学习--逐行代码解析合集】04softmax回归的从零开始实现

【动手学习深度学习】逐行代码解析合集

04softmax回归的从零开始实现

---

视频链接：动手学习深度学习–softmax回归的从零开始实现
课程主页：https://courses.d2l.ai/zh-v2/
教材：https://zh-v2.d2l.ai/

1、 softmax网络架构

2、 softmax运算

3、 交叉熵损失函数

3.1、 对数似然函数

3.2、 softmax及其导数

3.3、 交叉熵损失

4、代码

以下代码是在PyCharm中运行的

实用程序类Accumulator若不懂，参考文章链接

import torch
from IPython import display
from d2l import torch as d2l

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

"====================1、定义初始化模型参数===================="
# 输入28*28=784 ，拉成一条向量；数据集10个类别，所以网络输出维度为10
num_inputs = 784
num_outputs = 10

# W初始化为高斯随机分布的值
# 权重将构成一个784×10的矩阵， 偏置将构成一个1×10的行向量
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)

"====================2、定义softmax操作===================="
'''
实现softmax由三个步骤组成：
1、对每个项求幂（使用exp）；
2、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；
3、将每一行除以其规范化常数，确保结果的和为1。
'''
def softmax(X):
    # 做指数运算
    X_exp = torch.exp(X)
    partition = X_exp.sum(1, keepdim=True)  # 对每一行求和
    return X_exp / partition  # 这里应用了广播机制
# 正如上述代码，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。

"====================3、定义模型===================="
def net(X):
    # W.shape[0]=784，X==>256*784
    # reshape中的-1表示系统帮助计算(结果为256)
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b) # 交叉熵损失

"====================4、定义损失函数===================="
y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y_hat[[0, 1], y] # numpy高级索引 ： 拿出对应真实标号的预测值
" 输出：tensor([0.1000, 0.5000]) "

# 一行代码就可以实现交叉熵损失函数
def cross_entropy(y_hat, y):
    return - torch.log(y_hat[range(len(y_hat)), y])

cross_entropy(y_hat, y)
" 输出：tensor([2.3026, 0.6931]) "

"====================5、分类精度===================="
def accuracy(y_hat, y):  #@save
    """计算预测正确的数量"""
    # 现在 y_hat是一个256*10的一个矩阵
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        # 对每一行中元素值最大的下标存到y_hat中
        y_hat = y_hat.argmax(axis=1)
    cmp = y_hat.type(y.dtype) == y  # 作比较转为布尔类型
    return float(cmp.type(y.dtype).sum())  # 预测正确的个数总和
# 预测正确的概率
accuracy(y_hat, y) / len(y)
"输出：0.5"

"评估在任意模型net上的准确率"
def evaluate_accuracy(net, data_iter):  #@save
    """计算在指定数据集上模型的精度"""
    if isinstance(net, torch.nn.Module):
        net.eval()  # 将模型设置为评估模式
    metric = Accumulator(2)  # 正确预测数、预测总数
    with torch.no_grad():
        for X, y in data_iter:
            # 将所有预测正确的样本数，样本总数量加入迭代器中
            metric.add(accuracy(net(X), y), y.numel())
    # 返回预测正确的样本数和样本总数
    return metric[0] / metric[1]

"在Accumulator实例中创建了2个变量， 分别用于存储正确预测的数量和预测的总数量"
class Accumulator:  #@save
    """在n个变量上累加"""
    def __init__(self, n):
        self.data = [0.0] * n
        # n=2时，self.data = [0.0,0.0]

    def add(self, *args):
        self.data = [a + float(b) for a, b in zip(self.data, args)]
        # 若args接收的传参为(4, 5),那么for a, b in zip(self.data, args)表示（0,4）（0,5）
        # a = 0.0,b = 4,然后执行a + float(b)，得到结果4.0，此时self.data = [4.0, 0.0],
        # a = 0.0, b = 5,然后执行a + float(b) 得到结果5.0，最后self.data = [4.0, 5.0]。

    def reset(self):  # 重新设置空间大小并初始化。
        self.data = [0.0] * len(self.data)

    def __getitem__(self, idx):  # 实现类似数组的取操作。
        return self.data[idx]
# 由于我们使用随机权重初始化net模型,因此该模型的精度应接近于随机猜测.例如在有10个类别情况下的精度为0.1。
evaluate_accuracy(net, test_iter)
"输出： 0.0598"

训练部分相关代码

"====================6、训练===================="
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)
    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.mean().backward()
            updater.step()
        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]

"定义一个在动画中绘制数据的实用程序类"
class Animator:  #@save
    """在动画中绘制数据"""
    def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
                 ylim=None, xscale='linear', yscale='linear',
                 fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,
                 figsize=(3.5, 2.5)):
        # 增量地绘制多条线
        if legend is None:
            legend = []
        d2l.use_svg_display()
        self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)
        if nrows * ncols == 1:
            self.axes = [self.axes, ]
        # 使用lambda函数捕获参数
        self.config_axes = lambda: d2l.set_axes(
            self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
        self.X, self.Y, self.fmts = None, None, fmts

    def add(self, x, y):
        # 向图表中添加多个数据点
        if not hasattr(y, "__len__"):
            y = [y]
        n = len(y)
        if not hasattr(x, "__len__"):
            x = [x] * n
        if not self.X:
            self.X = [[] for _ in range(n)]
        if not self.Y:
            self.Y = [[] for _ in range(n)]
        for i, (a, b) in enumerate(zip(x, y)):
            if a is not None and b is not None:
                self.X[i].append(a)
                self.Y[i].append(b)
        self.axes[0].cla()
        for x, y, fmt in zip(self.X, self.Y, self.fmts):
            self.axes[0].plot(x, y, fmt)
        self.config_axes()
        display.display(self.fig)
        display.clear_output(wait=True)

def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):  #@save
    """训练模型（定义见第3章）"""
    animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
                        legend=['train loss', 'train acc', 'test acc'])
    for epoch in range(num_epochs):
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)  # 得到训练损失和训练精度
        test_acc = evaluate_accuracy(net, test_iter)  # 在测试数据集上评估模型精度
        # 可视化训练误差，训练精度，测试精度
        animator.add(epoch + 1, train_metrics + (test_acc,))
    train_loss, train_acc = train_metrics
    # 判断训练损失(train_loss)是否小于0.5，如果不满足条件就会抛出异常并打印出train_loss的值
    assert train_loss < 0.5, train_loss
    assert train_acc <= 1 and train_acc > 0.7, train_acc
    assert test_acc <= 1 and test_acc > 0.7, test_acc

"小批量随机梯度下降来优化模型的损失函数"
lr = 0.1
def updater(batch_size):
    return d2l.sgd([W, b], lr, batch_size)

"训练模型10个迭代周期"
num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)

"====================7、预测===================="
def predict_ch3(net, test_iter, n=6):  #@save
    """预测标签（定义见第3章）"""
    for X, y in test_iter:
        break
    trues = d2l.get_fashion_mnist_labels(y)  # 真实标号
    preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))  # 预测标号
    titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
    d2l.show_images(
        X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
    d2l.plt.show()

predict_ch3(net, test_iter)

训练损失、训练准确率、测试准确率可视化

预测结果