0830softmax线性回归

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)