softmax回归实现

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