一 基本思想
softmax是为了实现分类问题而提出,设在某一问题中,样本有x个特征,分类的结果有y类,
此时需要x*y个w,对于样本,需要计算其类别的可能性,进行y次线性运算。对于运算的结果再进行softmax运算。
二 实现
1.导入模块
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)
2.初始化参数
num_inputs = 784
num_outputs = 10
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)
w中的元素是随机的784*10个元素。b初始为0.
3.定义softmax操作
X = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
X.sum(0, keepdim=True), X.sum(1, keepdim=True)
两个函数分别表示对行和列求和。
def softmax(X):
X_exp = torch.exp(X)
partition = X_exp.sum(1, keepdim=True)
return X_exp / partition # 这里应用了广播机制
先输入张量X进行指数运算,得到一个新的张量。
然后计算X_exp张量在列上的总和,表示每一个样本的指数之和。
最后相除,得到Softmax运算结果,显然结果与X的大小相同。
4.定义模型
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
首先对输入的x进行形状变化,然后将其与w进行矩阵乘法运算加上偏置值后进行softmax运算。
5.定义损失函数
def cross_entropy(y_hat, y):
return - torch.log(y_hat[range(len(y_hat)), y])
cross_entropy(y_hat, y)
计算预测值与实际值的差异。
6.分类精度
def accuracy(y_hat, y): #@