softmax回归原理
softmax回归是一个分类问题。
回归和分类的区别:回归估计一个连续值,分类预测一个离散类别。
softmax思想:希望正确的类执行度远远大于其他类(关心相对值)
softmax保证输出是概率
衡量的损失函数:交叉熵损失
应用场景例如:
(1)数字识别
(2)图像分类
(3)判断软件类型
(4)对文字分类,评论情感类别
等等
总结
softmax回归是一个多类分类模型
使用softmax回归得到每个类的预测置信度
使用交叉熵来衡量预测和标号的区别
softmax回归从零开始实现
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)
因为softmax回归的输出需要是向量,展平每个图像,将它们视为长度为784的向量。因为数据集有10个类别,所以网络输出维度为10
num_inputs=784
num_outputs=10
W=torch.normal(0,0.01,size=(num_inputs,num_outputs),requires_grad=True)#定义权重,正态分布均值为0方差为0.01,需要计算梯度
b=torch.zeros(num_outputs,requires_grad=True)# 需要计算梯度
实现softmax
def softmax(X):
x_exp=torch.exp(X) #对每个元素做指数计算
partition=x_exp.sum(1,keepdim=True) #按照行求和,keepdim=True保持还是二维矩阵
return x_exp/partition
验证函数softmax,把每个元素变成了一个非负数,并且根据概率原理,每行总和为1
x=torch.normal(0,1,(2,5))
x_prob=softmax(x) #维度不变,非负
x_prob,x_prob.sum(1) #每一行总和为1
实现softmax回归模型
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
补充知识读取预测值的方法
#创建数据y_hat,其中包含2个样本在3个类别的预测概率,用y作为y_hat中概率的索引
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] #表示输出第1个样本的第一个类别的概率,第2个样本第三个类别的概率
实现交叉熵损失函数
def cross_entropy(y_hat,y): #给定y_hat和真实标号y
return -torch.log(y_hat[range(len(y_hat)),y]) #y_hat[range(len(y_hat)),y]每一个样本对应的y真实标号的预测概率,(1个正类标号1,其余0)
cross_entropy(y_hat,y)
将预测类别与真实y元素进行比较,因为是分类函数,要判断预测的类别和真实的类别是不是一致
def accuracy(y_hat,y):
"""计算预测正确的数量"""
if len(y_hat.shape)>1 and y_hat.shape[1]>1: #当y_hat是多维且列数大于1
y_hat=y_hat.argmax(axis=1) #当y_hat是2维,取每一行元素值最大的下标存到y_hat作为预测分类的类别
cmp=y_hat.type(y.dtype)==y #将y_hat转为与y相同的类型,比较,相等为1,否则为0
return float(cmp.type(y.dtype).sum()) #预测正确的样本数
accuracy(y_hat,y)/len(y) #预测正确的样本数/y的长度 =预测正确的概率
可以评估任意模型net的准确率
def evaluate_accuracy(net,data_iter):
"""计算在指定数据集上模型的精度"""
if isinstance(net,torch.nn.Module):
net.eval() #设置成评估模式,不用计算梯度
metric=Accumulator(2) #正确的预测数,预测总数
for X,y in data_iter:
metric.add(accuracy(net(X),y),y.numel()) #accuracy(net(x),y)预测争取的样本数,y.numel()样本总数
return metric[0]/metric[1] #分类正确的/总样本数
Accumulator实例中创建了2个变量,用于分别存储正确预测的数量和预测的总量
class Accumulator:
"""在n个变量上累加"""
def __init__(self,n):
self.data=[0.0]*n
def add(self,*args):
self.data=[a+float(b) for a,b in zip(self.data,args)]
def reset(self):
self.data=[0.0]*len(self.data)
def __getitem__(self,idx):
return self.data[idx]
evaluate_accuracy(net, test_iter)
Softmax回归训练
def train_epoch_ch3(net,train_iter,loss,update):
if isinstance(net,torch.nn.Module): #如果使用torch.nn.Module模块
net.train() #开始训练模式,计算梯度
metric=Accumulator(3)
for X,y in train_iter: #扫一遍数据
y_hat=net(X)
l=loss(y_hat,y) #交叉熵损失函数
if isinstance(updater,torch.optim.Optimizer):
updater.zero_grad() #先把梯度设置成0
l.backward()
updater.step()
metric.add(
float(l)*len(y),accuracy(y_hat,y),y.numel()
)
else: #如果自己实现
l.sum().backward() #l是向量,进行求和
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
return metric[0]/metric[2],metric[1]/metric[2]
#loss累加/样本数,预测正确的/样本数
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)
训练函数
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
"""训练模型"""
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)
test_acc = evaluate_accuracy(net, test_iter)
animator.add(epoch + 1, train_metrics + (test_acc,))
train_loss, train_acc = train_metrics
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)
对图像进行分类预测
def predict_ch3(net, test_iter, n=6): #@save
"""预测标签"""
for X, y in test_iter:
break
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
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])
predict_ch3(net, test_iter)
softmax简洁实现
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)
softmax回归输出是全连接层
#pytorch不会隐式地调整输入的形状
#因此定义了展平层flatten,在线性层前调整网络形状
net=nn.Sequential(nn.Flatten(),nn.Linear(784,10)) #nn.Flatten()将任何维度的tensor展开为2维度
def init_weights(m):
if type(m)==nn.Linear:
nn.init.normal(m.weight,std=0.01) #weight初始化为均值为0(默认)方差为0.01
net.apply(init_weights); #net每一层跑一下init_weights函数完成初始化
在交叉熵损失函数中传递未归一化的预测,并同时计算softmax及其对数
loss=nn.CrossEntropyLoss()
使用学习率为0.1的小批量随机梯度下降作为优化算法
trainer=torch.optim.SGD(net.parameters(),lr=0.1)
调用之前定义的训练函数来训练模型
num_epochs=10
d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)