交叉熵
只关心对正确类的预测值,不关心非正确类
梯度就是softmax(o)i-yi
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
这里我们 先对每一个元素做指数运算
然后 按照维度为1 也就是每一行来求和 keepdim 表示他还是一个二维矩阵
利用广播机制 每个元素 除partition 也就算出来了
实现softmax回归
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
我们需要的是批量大小*输入维数的矩阵,统一形式 这里x是图片的tensor 784
得到一个 所有元素大于0 行和为1
我们可以看到 例我们创建一个y hat 包含两个样本在3个类别的预测概率,使用y作为y hat中概率的索引 就比如 我们拿到的其实是0.1 0.5
简单理解就是 可以理解为我们有三个类 两个样本 分别是第0类和第1类 y-hat中 记录的是预测这两个样本分别属于每一类的概率 所以我预测 第一个样本属于第0类是0.1 第二个样本属于第1类是0.5因为我们只关心正确预测值
y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y_hat[[0, 1], y]
实现交叉熵损失函数
def cross_entropy(y_hat, y): return - torch.log(y_hat[range(len(y_hat)), y]) cross_entropy(y_hat, y)
给定yhat 和真实y
首先拿出来一个从0-10的向量,然后拿出来对于真实标号的预测值 然后求log 求负
def accuracy(y_hat, y): #@save """计算预测正确的数量""" if len(y_hat.shape) > 1 and y_hat.shape[1] > 1: y_hat = y_hat.argmax(axis=1) cmp = y_hat.type(y.dtype) == y return float(cmp.type(y.dtype).sum())
当矩阵行列大于1时 将每一行中元素值最大的下表 存入yhat中 (预测的分类的类别)
cmp用来存放boolean 并且求和 实际上就是找出来预测正确的样本数 再/y长度 就是概率
计算精度
def evaluate_accuracy(net, data_iter): #@save """计算在指定数据集上模型的精度""" if isinstance(net, torch.nn.Module): net.eval() # 将模型设置为评估模式 metric = Accumulator(2) # 正确预测数、预测总数 with torch.no_grad(): for X, y in data_iter: metric.add(accuracy(net(X), y), y.numel()) return metric[0] / metric[1]
改为评估模式 不计算梯度 0是预测正确的样本数 1是总样本数
回归训练
def train_epoch_ch3(net, train_iter, loss, updater): #@save """训练模型一个迭代周期(定义见第3章)""" # 将模型设置为训练模式 if isinstance(net, torch.nn.Module): net.train() # 训练损失总和、训练准确度总和、样本数 metric = Accumulator(3) for X, y in train_iter: # 计算梯度并更新参数 y_hat = net(X) l = loss(y_hat, y) if isinstance(updater, torch.optim.Optimizer): # 使用PyTorch内置的优化器和损失函数 updater.zero_grad() l.mean().backward() updater.step() else: # 使用定制的优化器和损失函数 l.sum().backward() updater(X.shape[0]) metric.add(float(l.sum()), accuracy(y_hat, y), y.numel()) # 返回训练损失和训练精度 return metric[0] / metric[2], metric[1] / metric[2]
开启nn模式 也就是开启训练模式 计算梯度 用迭代器来累加需要的信息 扫一遍数据 计算y-hat来算loss 最后返回 平均损失和正确率
训练函数
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save """训练模型(定义见第3章)""" animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9], legend=['train loss', 'train acc', 'test acc']) for epoch in range(num_epochs): train_metrics = train_epoch_ch3(net, train_iter, loss, updater) test_acc = evaluate_accuracy(net, test_iter) animator.add(epoch + 1, train_metrics + (test_acc,)) train_loss, train_acc = train_metrics assert train_loss < 0.5, train_loss assert train_acc <= 1 and train_acc > 0.7, train_acc assert test_acc <= 1 and test_acc > 0.7, test_acc
epoch扫数据次数
先拿出训练误差
在测试数据集评估精度
显示训练误差 训练精度