多分类问题

import torch

# 使用softmax对最后一层使其输出一个分布

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)

# 交叉熵损失包括softmax，最后一层不做激活
import torch
y = torch.LongTensor([0]) # 表示当前样本属于第一个即第零类
# 必须是长整型张量
z = torch.Tensor([[0.2, 0.1, -0.1]])
# z输出了三个数字，表示一共有三个类别，即y的tensor取值不能超过2
criterion = torch.nn.CrossEntropyLoss()
loss = criterion(z, y)
print(loss)

import torch
criterion = torch.nn.CrossEntropyLoss()
# 现在有三个样本，分别属于第2，0，1类
Y = torch.LongTensor([2, 0, 1])

Y_pred1 = torch.Tensor([[0.1, 0.2, 0.9],
                        [1.1, 0.1, 0.2],
                        [0.2, 2.1, 0.1]])
Y_pred2 = torch.Tensor([[0.8, 0.2, 0.3],
                        [0.2, 0.3, 0.5],
                        [0.2, 0.2, 0.5]])
l1 = criterion(Y_pred1, Y)
l2 = criterion(Y_pred2, Y)
print("Batch Loss1 = ", l1.data, "\nBatch Loss2=", l2.data)

import torch
from torchvision import transforms,datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

batch_size = 64
# Compose这个实例可以将中括号中的一系列对象像pipeline一样处理
transform = transforms.Compose([
    transforms.ToTensor(), # 先调用，转变成CWH，取值变成0-1
    transforms.Normalize((0.1307,),(0.3081)) # 归一化，均值和标准差，所有像素
])

# 将transform直接放在数据集中
train_dataset = datasets.MNIST(root='../dataset/mnist/',
    train=True,
    download=True,
    transform=transform)
train_loader = DataLoader(train_dataset,
    shuffle=True,
    batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/',
    train=False,
    download=True,
    transform=transform)
test_loader = DataLoader(test_dataset,
    shuffle=False,
    batch_size=batch_size)

# n 1 28 28n个样本，全连接神经网络要求输入样本为矩阵
# n 1 28 28n个样本，全连接神经网络要求输入样本为矩阵
# 在 PyTorch 中，.view() 方法用于改变张量的形状。其中的 -1 表示该维度的大小应当根据其他维度和原始张量的总元素数量自动推断。
# 在这里，-1 表示第一个维度的大小应当根据其他维度和原始张量的总元素数量自动推断。在这个例子中，-1 将被计算为 n * 28 ，
# 所以 x.view(-1, 784) 将把原始的三维张量变形为一个形状为 [28*n, 784] 的二维张量。

# 总之，使用 -1 可以使我们更方便地改变张量的形状，而不需要手动计算该维度的大小。
# PyTorch 会自动根据其他维度和张量的总元素数量来推断并设置该维度的大小。
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()

criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

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.

def test():
    correct = 0
    total = 0
    with torch.no_grad():
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    print('Accuracy on test set: %d %%' % (100 * correct / total))

if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()