Pytorch深度学习实践 第九讲 多分类问题

最新推荐文章于 2022-11-25 16:04:18 发布
最新推荐文章于 2022-11-25 16:04:18 发布
阅读量548 收藏 3
点赞数 1
分类专栏： pytorch学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_55519533/article/details/118993824
版权
本篇博客介绍了如何使用PyTorch的SoftMax分类器处理多分类问题，讲解了SoftMax函数的原理，并通过MNIST数据集实例展示了训练过程，包括数据预处理、模型设计及损失函数的计算。在训练过程中，随着迭代次数增加，损失逐渐减小，最终在测试集上取得了96%的预测正确率。
摘要由CSDN通过智能技术生成

使用SoftMax分类器进行多分类问题（其输入不需要Relu激活，而是直接连接线性层），经过SoftMax分类器后满足：1.大于等于0，2.所有类别概率和为1.

Softmax函数：

 使用Numpy计算交叉熵损失的过程：(One-hot是一行或一列只有一位是1的矩阵)

 使用Pytorch计算交叉熵损失:（torch.LongTensor([0])对应的one-hot是[1  0  0]，即只有索引0对应的位置是1）

 CrossEntropyLoss()就是将softmax-loss-NLLLoss合并成一步。<

最低0.47元/天 解锁文章
啥都不会的研究生←_←
关注
专栏目录
PyTorch深度学习实战（3）——使用PyTorch构建神经网络
盼小辉丶的博客
06-13 6万+
PyTorch 是一个用于构建深度神经网络的库，具有灵活性和可扩展性，可以轻松自定义模型。在本节中，我们将使用 PyTorch 库构建神经网络，利用张量对象操作和梯度值计算更新网络权重，并利用 Sequential 类简化网络构建过程，最后还介绍了如何使用 save、load 方法保存和加载模型，以节省模型训练时间。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
最新发布
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
【PyTorch深度学习】 第八讲：多分类
echo245的博客
07-10 195
1.概念 softMax：概率分布，将每个项的值/累加的值=每个结果出现的概率值 NLLLoss：就是把输出与Label对应的那个值拿出来，再去掉负号，再求均值 CrossEntropyLoss：就是把Softmax–Log–NLLLoss合并成一步 2.代码实现 import torch from torchvision import transforms from torchvision import datasets from torch.utils.data import DataLoader
Pytorch深度学习（八）：用Softmax和CrossEntroyLoss解决多分类问题（Minst数据集）
qq_42585108的博客
08-24 2813
用Softmax和CrossEntroyLoss解决多分类问题（Minst数据集）一.SoftMax分类器1.函数原型：2.上述例子用Numpy实现：3.用pytorch实现4.设置batch_size为3时做的一个简单分类模型：二、完成MNIST识别手写体数字1.准备数据集2.构建训练模型class3.构造损失函数和优化器4.训练和测试5.运行结果如下： 一.SoftMax分类器 1.函数原型： 这是我们常见的一个神经网络模型。在输出的时候我们常常会遇到多分类问题，这时就需要我们应用Softmax函数来
多分类问题《PyTorch深度学习实践》
weixin_44040169的博客
04-28 1333
多分类 softmax分类器 输出变为多个 1.概率>0 2.概率和为1 1.softmax分类器，使用SoftMax分类器进行多分类问题 2.NLLLoss（nagative log likelihood loss ）： Y是原始标签，另一个输入是 softmax 后 求对数 3.CrossEntropyLoss <==> LogSoftmax + NLLLoss (One-hot独热编码 是一行或一列只有一位是1的矩阵) import torch y = torch.LongT
pytorch中二分类和多分类问题记录篇2
爱CV
11-03 2464
在pytorch中和keras不同的是如果使用torch.nn.CrossEntropyLoss()交叉熵作为损失函数，并不需要我们进行one-hot编码，因为已经替我们执行了这一操作，只需要我们传入的label是longtensor即可。 input : 模型输出，包含每个类的得分，2-D tensor,shape为 batch * n类 target: 大小为 n 的 1—D tensor，包含类别的索引(0到 n-1)。 注意CrossEntropyLoss()的target输入也是类别值，..
for batch_idx（或者i）, data in enumerate(train_loader, 0): 到底是什么意思
zy的博客
05-22 6929
我们先来写一个简单的例子，帮助理解 season = ['spring','summer','fall','winter'] print(season) 输出结果： [‘spring’, ‘summer’, ‘fall’, ‘winter’] 下面，我们再引入for循环 for i ,data in enumerate(season,0): print(i ,data) 输出结果： 0 spring 1 summer 2 fall 3 winter 在for i , data in en
PyTorch 深度学习实践 第九讲 ---多分类问题
weixin_43224291的博客
10-19 724
Demo9 :多分类问题
PyTorch深度学习实践-P9多分类问题
m0_60673782的博客
10-24 396
在Mnist数据集中，我们要得到的输出是0-9，共有十类，这种情况下我们希望输出0-9的概率都大于0，且和为1 是最后一层线性层的输出， 损失函数：LOSS=-Y*logY_hat NLLLoss：nagative log likelihood loss 输入一个 y是真实标签，另一个输入要求是softmax之后求对数 实现过程： 在PyTorch中，交叉熵损失全部封装成了Torch.nn.CrossEntropyLoss（） 要求y是长整形张量LongT...
深度学习 zuoye4
qq_43573054的博客
09-23 788
Download Dataset 有三個檔案，分別是training_label.txt、training_nolabel.txt、testing_data.txt training_label.txt：有label的training data(句子配上0 or 1) training_nolabel.txt：沒有label的training data(只有句子)，用来做半监督学习，约120万句句子。 比如： hates being this burnt !! ouch，前面没有0或者1的标签 test
torch学习笔记——多分类问题（2）
wangziyanger的博客
10-21 1368
一开始我分不清楚，epoch，i（index），data之间的关系。我用图片表达。训练集一共包含了 60,000 张图像和标签，而测试集一共包含了 10,000 张图像和标签。epoch记录的是所有数据遍历一遍的次数；那么index记录的就是现在训练的是第几个minibatch。每个minibatch中有64条数据，每条数据是一个28*28的矩阵，所以前面说的如果直接用model(data)的话每层输入只能是一维的，但是data是高维的，要用view()降成一维的。
神经网络多分类的实现总结
qq_42178122的博客
11-21 4931
首先要了解二分类、多分类和多标签分类
_,predicted = torch.max(outputs.data,dim)
csweettea的博客
10-30 1093
dim=1时，按行返回最大值所在索引 dim=0时，按列返回最大值所在索引 _,predicted = torch.max(outputs.data,dim)：返回最大值所在索引 predicted = torch.max(outputs.data,dim)：返回最大值 import torch tensor = torch.tensor([[1.2,-3,-6.,-9.0,-4.56,5.678]]) _,predicted = torch.max(tensor,1) print(pred..
【torch.max()函数】predic = torch.max(outputs.data, 1)[1].cpu().numpy()
no_candy的博客
11-25 2541
torch.max()函数返回两个值，一个是具体的值，也就是预测概率，另一个是值对应的索引，即预测类别；这两个值分别用_,predidcted表示。.numpy() ：把数据转化为ndarray，即N维数组对象。troch.max()[1]：只返回最大值的索引。dim = 1 表示按行求最大值，并返回其索引。dim = 0 表示按列求最大值，并返回其引。dim 返回最大值以及最大值的索引。
PyTorch 深度学习实践 第10讲
bit452的专栏
11-14 3万+
第9讲 卷积神经网络(基础篇)源代码 B站 刘二大人，传送门PyTorch深度学习实践——卷积神经网络(基础篇) 视频中截图： 说明 1、每一个卷积核它的通道数量要求和输入通道是一样的。这种卷积核的总数有多少个和你输出通道的数量是一样的。 2、卷积(convolution)后，C(Channels)变，W(width)和H(Height)可变可不变。subsampling(或pooling)后，C不变，W和H变。 3、卷积层：保留图像的空间信息。 代...
pytorch: torch.max() 使用与理解
傲笑风的博客
12-13 1万+
在使用 pytorch 进行训练时，会使用使用到改行代码： predict = torch.max(outputs.data, 1)[1] 其中 output 为模型的输出，该函数主要用来求 tensor 的最大值。 每次看到都不太理解 torch.max() 的使用，为了下次看到或者写道时不会忘记，特意详细了解其用法。 torch.max(input:tensor, dim:index) 该函数有两个输入： inputs: tensor，第一个参数为一个张量 dim: index，第二个参数为一个整数[-
torch学习笔记(二) nn类结构-Linear
野生的TFgirl
09-26 4万+
Linear 是module的子类，是参数化module的一种，与其名称一样，表示着一种线性变换。创建 parent 的init函数 Linear的创建需要两个参数，inputSize 和 outputSize inputSize：输入节点数 outputSize：输出节点数 所以Linear 有7个字段: weight : Tensor ， outputSize ×\times i
PyTorch-Linear关系分类
samylee的博客
05-31 2429
PyTorch-Linear关系分类 硬件：NVIDIA-GTX1080 软件：Windows7、python3.6.5、pytorch-gpu-0.4.1 一、基础知识 1、二分类问题 2、函数学习torch.normal()、torch.cat()、torch.nn.CrossEntropyLoss()、torch.max(Func.softmax()) 二、代码展示 impo...
Pytorch学习笔记09——多分类问题
qq_50749521的博客
07-14 720
pytorch多分类问题
深度学习实践：PyTorch命令行项目实现指南
9. 项目实现方式：项目代码实现了基于《动手学深度学习》PyTorch 版的内容，去除了Jupyter环境依赖，不需安装额外的d2l库，支持在VScode的命令行中运行，实现了代码的可移植性和易用性。 10. 文件命名规则：文件...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值