softmax回归的简洁实现

import torch
from torch import nn
from d2l import torch as d2l

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# softmax回归的输出层是一个全连接层
# PyTorch不会隐式地调整输入的形状
# 因此，我们定义了展平层(flatten)在线性层前调整网络输入的形状
# Sequential：允许用户将多个神经网络层按照顺序组合成一个模型。
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))  # Flatten:表示把任意维度的tensor展开成一个2d的tensor


def init_weight(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)  # 均值默认为0，方差为0.01的随机值


net.apply(init_weight)  # 进行初始化

# 在交叉熵损失函数中传递未归一化的预测，并同时计算softmax及其对数
# PyTorch的nn.CrossEntropyLoss()函数会在内部进行softmax计算，所以你不需要在模型的最后一层添加softmax激活函数。
loss = nn.CrossEntropyLoss()  # CrossEntropyLoss:交叉熵损失函数

# 使用学习率为0.1的小批量随机梯度下降作为优化算法
trainer = torch.optim.SGD(net.parameters(), lr=0.1)


# 调用之前定义的训练函数来训练模型
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)