代码实现:
1.导包
import torch
from IPython import display
from d2l import torch as d2l
import torchvision
from torch.utils import data
from torchvision import transforms
2.批量下载数据集
d2l.use_svg_display#使图像以svg显示,更加清楚
#批量下载读取数据集
batch_size=20
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)
#看一下读取数据需要的时间
timer = d2l.Timer()
for X,y in test_iter:
continue
f'{timer.stop():.2f} sec'
3.初始化模型参数
输出有10类,输入的图片尺寸为28*28像素,那么输入特征大小就是28*28,也就是输入样本的矩阵X形状为 (样本数行,特征数列即28*28列)。系数矩阵W形状为(特征数行,输出节点数)。偏置向量b为行向量,形状为(1,输出节点数)。
#输出节点个数即为特征数
num_inputs = 784
#输出节点个数即为类别数
out_inputs = 10
W = torch.normal(0,0.01,size=(num_inputs,out_inputs),requires_grad=True)#需要计算梯度来更新参数
b = torch.zeros(size=(1,out_inputs),requires_grad=True)#需要计算梯度来更新参数
4.定义softmax函数
对于维度为n*d的X,其每一行代表一个样本,每一列代表一个特征,比如X_1_2就代表第一个样本的第二个特征。 将这样的X传入softmax后,得到的矩阵X_prob的每一行代表将一个样本传入softmax得到的各个类别概率,因此,每行的元素相加为1.
def softmax(X):
X_exp = torch.exp(X)#对矩阵中的每个元素取e指数
fenmu = X_exp.sum(1,keepdim=True)#保留行,保留维度
return X_exp/fenmu
对于维度为n*d的X,其每一行代表一个样本,每一列代表一个特征,比如X_1_2就代表第一个样本的第二个特征。 将这样的X传入softmax后,得到的矩阵X_prob的每一行代表将一个样本传入softmax得到的各个类别概率,因此,每行的元素相加为1.
def softmax(X):
X_exp = torch.exp(X)#对矩阵中的每个元素取e指数
fenmu = X_exp.sum(1,keepdim=True)#保留行,保留维度
return X_exp/fenmu
测试softmax函数
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。
X = torch.normal(0,1,(2,5))
X_prob = softmax(X)
X_prob,X_prob.sum(1)
5.定义模型
传入的X是图片的原始形状,需要reshape成X (样本数行,特征数列)
def net(X):
return softmax(torch.matmul(X.reshape(-1,W.shape[0]),W)+b)
6.定义损失函数损失函数
def cross_entropy(y_hat,y):
return -torch.log(y_hat[range(len(y_hat)),y])
7.定义评估函数
定义accuracy函数,返回模型预测正确的样本数量。
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: #预测矩阵是二维,且列数>1
y_hat = y_hat.argmax(axis=1)#得到一维的结果,每个值代表每个样本的预测类别
cmp = y_hat.type(y.type()) == y
return float(cmp.type(y.type()).sum())
定义了一个累加器,这个累加器初始化为长度为n的列表。调用add(args)函数可以不断地往这个列表里面加args元素。
class Accumulator:
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]
定义评估函数,可以计算在指定数据集上模型的精度。
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:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
定义画图类,方便loss的动态展示
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)
8.定义训练函数
该函数用于一个epoch的训练,其整体过程和从零实现线性回归很相似。
def train_epoch_ch3(net, train_iter, loss, updater):
#训练一个epoch的模型
#将模式设置为训练模式
if isinstance(net,torch.nn.Module):
net.train() #训练模式和评估模式在一般的神经网络中是一样的,只有当模型中存在dropout和batchnorm的时候才有区别
#定义一个累加器存储训练loss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)#正向传播
l = loss(y_hat,y)#正向传播,得到一维向量,由每个样本经过 H(P,Q)=-sum(P * logQ) 算得,其中P为真实值概率,Q为预测值概率
if isinstance(updater, torch.optim.Optimizer):
# 使用PyTorch内置的优化器和损失函数
updater.zero_grad()#参考线性回归,它也是在sgd优化函数中进行的梯度清0
l.mean().backward()#注意这里是取得平均loss
updater.step()#更新参数
else:
#使用自定义优化器和损失函数
l.sum().backward()
updater(X.shape[0])#传入batch_size
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]
使用上面的一个epoch的函数来定义完整的训练函数
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)
test_acc = evaluate_accuracy(net, test_iter)
animator.add(epoch + 1, train_metrics + (test_acc,))
train_loss, train_acc = train_metrics
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
9.开始训练
初始化学习率和epoch轮数,定义了优化器为小批量随机梯度下降。
lr = 0.1
def updater(batch_size):
return d2l.sgd([W, b], lr, batch_size)
num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
10.进行预测
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)
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)