文章目录
本讲小结
- 1,主要讲解了交叉熵损失函数,交叉熵损失函数可以等价为softmax+NLLloss(负对数损失函数)。
- 2,基于交叉熵损失函数讲解了手写数据集的训练、分类。
- 3,torchvision里面的transform的使用,这一部分推荐看土堆的教程。
1,多分类问题网络设计
- 一种设计思路是有多少个分类就有多少个输出,每个输出对应一个类别的概率,越接近1,说明这个输出越接近真实标签;如下图,手写数字有0-9十个数字,做成输出十个输出。这样每个输出实际上相当于一个二分类问题,每个输出之间是独立,没有耦合关系。但实际上,这明显是有问题的。因为对一个手写数字图片,假设它被神经网络认为是1的概率为0.9,如果按照以上的设计思路,它被认为是7的概率也许是0.8,这无疑增加了对正确数据的判别难度。
- 另一种设计思路是输出一个概率分布,变成一个耦合问题。概率分布满足所有类别概率相加等于1。这样,针对一个手写数字,神经网络输出认为它是1的概率最大时,认为是其他数字的概率必然会被抑制。这就引出了本小结的Softmax激活函数。
2, S o f t m a x 激活函数公式 Softmax激活函数公式 Softmax激活函数公式
-
P ( y = i ) = e z i ∑ j = 0 K − 1 e z j , i ∈ { 0 , … , K − 1 } {\LARGE {\huge } } P(y=i)=\frac{e^{z_{i}}}{\sum_{j=0}^{K-1} e^{z_{j}}}, i \in\{0, \ldots, K-1\} P(y=i)=∑j=0K−1ezjezi,i∈{0,…,K−1}
-
本讲的Softmax激活函数的例子,假设神经网络做一个三分类问题,神经元输出针对三分类分数为 [ 0.2 , 0.1 , − 0.1 ] [0.2,0.1,-0.1] [0.2,0.1,−0.1],然后经过指数变换,得到 [ 1.22 , 1.11 , 0.9 ] [1.22,1.11,0.9] [1.22,1.11,0.9],然后分别除以指数变换后的和得到最终的概率分布 [ 0.38 , 0.34 , 0.28 ] [0.38,0.34,0.28] [0.38,0.34,0.28], 0.38 + 0.34 + 0.28 = 1 0.38+0.34+0.28=1 0.38+0.34+0.28=1,说明Softmax激活函数完美的将神经元输出的分数转变成类别概率分布。
3,负对数似然损失
- 实际上,交叉熵损失就是在Softmax激活之后接一个负对数似然损失。
- pytorch官网对该函数的解释很清楚了,并且推荐直接使用交叉熵损失。
4,交叉熵损失
- 实际上要理解上面的负对数似然损失,还要理解类别标签的one-hot编码。做损失计算的时候,我们对于类别的编码不是实数编码,比如有10个类的手写数据集,可不是0-0,1-1,2-2…这样的编码。此时再解释上面的例子,one-hot编码,认为第一个位置位真,其余位置为假,所以 − l n ( 0.38 ) = 0.9729 -ln(0.38)=0.9729 −ln(0.38)=0.9729,注意这里的公式,实际上是以自然数e为底数,只是公式那样写而言。如果以10为底数,结果是不一样的。
- 如下代码:
import numpy as np
targets = np.array([1, 0, 0]) # one-hot编码,认为第一个位置位真,其余位置为假
outputs = np.array([0.2, 0.1, -0.1])
y_pred = np.exp(z) / np.exp(z).sum() #softmax
loss = (- y * np.log(y_pred)).sum()
print(loss) #0.9729189131256584
- 改变一个真值的位置,认为最后一个输出位才是真值,则直接可以计算得出
−
l
n
(
0.28
)
=
1.2729
-ln(0.28)=1.2729
−ln(0.28)=1.2729,,代码如下所示:
- 再来做一个实验,上面指针对一个样本做交叉熵损失,那假如是一个batch呢?以该样本为例,复制三份,第一个样本认为第一位是真值,第二样本认为第二位是真值,第三个样本则是第三个。根据前面的计算,很容易验证得到
(
0.9729
+
1.2729
+
(
−
i
n
(
0.34
)
)
/
3
=
1.1082
(0.9729+1.2729+(-in(0.34))/3=1.1082
(0.9729+1.2729+(−in(0.34))/3=1.1082,这里有误差很正常,因为我们计算是保留小数的。
手写数据集分类
- 图像基本知识,图像上的每一个像素点数值为0-255。对于单通道的手写数据集,其实就是一个二维的矩阵。
5,代码范式
模型结构
6,本小节代码
# 0.导库
import torch
# 构建DataLoader的库
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
# 使用函数relu()的库
import torch.nn.functional as F
# 构建优化器的库
import torch.optim as optim
# 1.准备数据集
batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(), # 将PIL图像转化成Tensor
# 正则化,归一化,0.1307是均值,0.3081是标准差,这两个值是根据所有数据集算出来的
transforms.Normalize((0.1307,), (0.3081,))
])
train_dataset = datasets.MNIST(root='./datasets/data/',
train=True,
download=True,
transform=transform)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset = datasets.MNIST(root='./datasets/data/',
train=False,
download=True,
transform=transform)
test_loader = DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size)
# 2.设计模型
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256, 128)
self.l4 = torch.nn.Linear(128, 64)
self.l5 = torch.nn.Linear(64, 10)
def forward(self, x):
x = x.view(-1, 784)
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x))
return self.l5(x) # 注意最后一层不做激活
# 利用GPU训练
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model = Net()
model.to(device)
# 3.构造损失和优化器
criterion = torch.nn.CrossEntropyLoss()
criterion.to(device)
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# 4.训练过程
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
inputs, target = data
optimizer.zero_grad()
# forward + backward + update
outputs = model(inputs.to(device))
loss = criterion(outputs, target.to(device))
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idx % 300 == 299:
print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
# 4.测试过程
def test():
correct = 0
total = 0
with torch.no_grad(): # 测试时不会计算梯度
for data in test_loader:
images, labels = data
outputs = model(images.to(device)).cpu()
_, predicted = torch.max(outputs.data, dim=1) # 沿着维度1取最大值的下标
total += labels.size(0)
correct += (predicted == labels).sum().item()
print('Accuracy on test set: %d %%' % (100 * correct / total))
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()
实验结果
- 测试集上精确度达到0.97,几乎是完美的效果了。
一些其他实验
- transform的实验,一张图像经过PIL读取进来,其格式是
(
W
,
H
,
C
)
(W,H,C)
(W,H,C)大小的张量。transform.Totensor首先把张量格式转变成
(
C
,
W
,
H
)
(C,W,H)
(C,W,H),然后把像素值压缩到0-1之间。