【深度学习】Softmax回归（三）MXNet深度学习框架实现

概述

本文使用MXNet深度学习框架来实现softmax回归模型，并利用Fashion-MNIST数据集进行实验。需要的前导知识可以参考我之前的博文：

• 【深度学习】Softmax回归（一）概念和原理
• 【深度学习】Softmax回归（二）Python从零开始实现

实验和结果

# coding=utf-8
# author: BebDong
# 2018/12/19
# 使用MXNET框架的gluon包实现Softmax回归模型

import gluonbook as gb
from mxnet import init, gluon
from mxnet import autograd
from mxnet.gluon import loss as gloss
from mxnet.gluon import nn

# 读取数据
batch_size = 256
train_iter, test_iter = gb.load_data_fashion_mnist(batch_size)

# 创建模型：softma模型在Fashion-MNIST数据集下的输出层个数为10，且输出层为全连接层
net = nn.Sequential()
net.add(nn.Dense(10))

# 初始化模型参数
net.initialize(init.Normal(sigma=0.01))

# 定义损失函数
loss_function = gloss.SoftmaxCrossEntropyLoss()

# 优化算法（训练器）：小批量随机梯度下降
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.1})

# 训练模型
epochs = 10
for epoch in range(epochs):
    # 总的损失
    train_loss_sum = 0
    # 总的准确率
    train_acc_sum = 0
    for X, y in train_iter:
        with autograd.record():
            y_pre = net(X)
            los = loss_function(y_pre, y)
        los.backward()
        trainer.step(batch_size)
        train_loss_sum += los.mean().asscalar()
        train_acc_sum += gb.accuracy(y_pre, y)
    print('epoch %d, loss %.4f, train acc %.3f' % (epoch + 1, train_loss_sum / len(train_iter), train_acc_sum / len(train_iter)))

# 测试模型
test_acc = gb.evaluate_accuracy(test_iter, net)
print("Training done, test accuracy is: ", test_acc)

我的运行结果如下;