简洁实现softmax回归

# coding=utf-8
import torch
from d2l import torch as d2l
from torch import nn

# softmax的简洁实现
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# 定义和初始化模型
# pytorch中不会隐式的调整输入的形状
# 因此，我们定义了展平层（flatten），在线性层钱调整网络输入形状
# 下面语句是一个PyTorch神经网络模型的定义，它包含一个顺序模型（Sequential）
# 该模型由两个层组成：Flatten层和Linear层。Flatten层：将输入的多维张量展平为一维张量
# Linear层：全连接层，用于将输入的一维张量映射到输出的一维张量
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))


# 这段代码是一个初始化权重的函数
def init_weights(m):
    if type(m) == nn.Linear:  # 判断传入的模块是否为线性层（nn.Linear）
        nn.init.normal_(m.weight, std=0.01)


net.apply(init_weights)  # 将权重全部应用到NN.MOUDLE上

# 交叉熵损失函数
loss = nn.CrossEntropyLoss()

# 学习率0.1的小批量随机梯度下降来优化算法,net.parameters()用于获取模型中所有参数
trainer = torch.optim.SGD(net.parameters(), lr=0.1)

num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
d2l.plt.show()

最后结果由图像动态显示，刚开始跑代码的时候，图像无法动态显示，修改了d2l中的

train_ch3（）中Animator中的参数。在Animator中修改add（）函数

    def add(self, x, y):
        # Add multiple data points into the figure
        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()
        plt.draw()
        plt.pause(0.001)
        display.display(self.fig)
        # 通过以下两行代码实现了在PyCharm中显示动图
        display.clear_output(wait=True)

在add（）函数后，添加show（）函数

    def show(self):
        display.display(self.fig)

最后取消pycharm中setting中的这个选项的勾选，即可显示

最后结果如图