学习视频:B站 刘二大人《PyTorch深度学习实践》完结合集
八、多分类问题(Softmax Classifier)
多分类问题实际上求解的是随机事件的分布:
如果有10个输出:
将其转换为二分类问题,在这种情况下,类别之间所存在的互相抑制的关系没有办法体现,当一个类别出现的概率较高时,其他类别出现的概率仍然有可能很高
解决方案应具有以下要求:
- 每个分类的出现概率大于等于0
- 各个分类出现概率之和为1
在最后一层使用softmax层,之前的层使用sigmoid层
Softmax Layer
- 把线性层的输出都变为大于等于零
- 分类的输出值的和为1
softmax层函数为:
举例:
上述就是先进行指数运算,然后再对结果进行归一化处理
损失函数
交叉熵的计算公式为:
再多分类问题中,该公式可扩展为:
其中m表示类别数量,n表示样本数量,P(Xij)表示预测样本i的结果与实际结果j相同取1,反之取0;Q(Xij)表示对于观测样本i预测值为j的概率
由于上述计算过程中P(Xij)非0即1,且有且只能有一个1,因此一个样本所有分类的loss计算过程可以简化为:
其中,X表示事件预测值与实际值相同,Y表示非0即1的指示变量,Y^表示SoftMax的输出。
此时Y其实是作为独热编码(One-hot)输入的,以对离散的变量进行分类,即只在实际值处为1,其他均为0。
代码为:
import numpy as np
y = np.array([1, 0, 0])
z = np.array([0.2, 0.1, -0.1])
y_pred = np.exp(z) / np.exp(z).sum()
loss = (-y*np.log(y_pred)).sum()
print(loss)
Pytorch实现:
import torch
#需要时LongTensor
y = torch.LongTensor([0])
z = torch.Tensor([[0.2,0.1,-0.1]])
criterion = torch.nn.CrossEntropyLoss()
loss = criterion(z,y)
print(loss)
MNIST问题
MINIST数据集中每个数字都是一个28∗28=784大小的灰度图,将灰度图中的每个像素值映射到(0,1)区间内,可以进行映射。
设计模型:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-H5YKGBUC-1677719693756)(E:/Typora-user-images/202302272009970.png)]
代码实现
准备数据:
定义模型:
损失函数和优化器:
训练数据:
测试:
代码实现:
import numpy as np
import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim
import matplotlib.pyplot as plt
#1.准备数据
batch_size = 64
transform = transforms.Compose([
transforms.ToTensor(), #把PIL图像变为pytorch中的tensor
transforms.Normalize((0.1307,),(0.3081,)) #归一化,0.1301为均值,0.3081为标准差
])
train_dataset = datasets.MNIST(root='./mnist_data/',
train=True,
download=True,
transform=transform)
train_loader = DataLoader(train_dataset,shuffle=True,batch_size=batch_size)
test_dataset = datasets.MNIST(root='./mnist_data/',
train=False,
download=True,
transform=transform)
test_loader = DataLoader(train_dataset,shuffle=False,batch_size=batch_size)
#设计模型
class Net(torch.nn.Module):
def __init__(self):
super(Net,self).__init__()
self.l1 = torch.nn.Linear(784,512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256,128)
self.l4 = torch.nn.Linear(128,64)
self.l5 = torch.nn.Linear(64,10)
def forward(self,x):
x = x.view(-1,784)
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x))
return self.l5(x)
model = Net()
#损失函数、优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(),lr=0.01,momentum=0.5)
#训练
def train(epoch):
running_loss = 0.0
for batch_idx,data in enumerate(train_loader,0):
inputs,target = data
optimizer.zero_grad()
#forward+backward+update
outputs = model(inputs)
loss = criterion(outputs,target)
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idx % 300 == 299:
print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
epoch_list = []
acc_list = []
#测试
def test():
correct = 0
total = 0
# 避免计算梯度
with torch.no_grad():
for data in test_loader:
images, labels = data
outputs = model(images)
# 取每一行(dim=1表第一个维度)最大值(max)的下标(predicted)及最大值(_)
_, predicted = torch.max(outputs.data, dim=1)
# 加上这一个批量的总数(batch_size),label的形式为[N,1]
total += labels.size(0)
correct += (predicted == labels).sum().item()
acc_list.append(100 * correct / total)
print('Accuracy on test set: %d %%' % (100 * correct / total))
if __name__ =='__main__':
for epoch in range(10):
train(epoch)
epoch_list.append(epoch + 1)
test()
#画图
plt.plot(epoch_list,acc_list)
plt.xlabel('epoch')
plt.ylabel('acc')
plt.grid()
plt.show()
运行结果:
参考资料
https://blog.csdn.net/qq_43800119/article/details/126415767