深度学习day09 多分类问题
本文参考视频链接
重点(全连接的神经网络)
- 多标签值分类要满足这样一种概率分布:每一个标签的概率要大于等于0;所有标签的概率之和等于1
- sigmoid函数输出值是-1~1,为了满足上述条件,所以我们在神经网络的最后一层不使用sigmoid激活函数,而使用softmax函数(内包含在交叉熵损失里面),该函数可以将某一标签输入的值进行指数变换,得到一个正数,然后除于所有标签的变换后的指数,得到的所有标签的概率就满足上述的概率分布。
- 标签y的类型是LongTensor,采用one-hot编码。比如说0-9分类问题,如果y = torch.LongTensor([3]),对应的one-hot是[0,0,0,1,0,0,0,0,0,0].(这里要注意,如果使用了one-hot,标签y的类型是LongTensor,糖尿病数据集中的target的类型是FloatTensor)
- 交叉熵损失就是最后一层输出的值经过Softmax函数变换后求对数,然后再与-Y做一个向量乘法。CrossEntropyLoss = Softmax(x) + NLLLoss(-YlogY^)。也就是说使用CrossEntropyLoss最后一层(线性层)是不需要做其他变化的;使用NLLLoss之前,需要对最后一层(线性层)先进行SoftMax处理,再进行Log操作。
二分类的损失函数:
多分类的损失函数softmax:
NLL损失函数:
交叉熵损失函数:
x = x.view(-1,784)中的-1表示自动计算有多少个样本图片,一个图片的像素矩阵大小28*28,784是将二维矩阵转换为一维矩阵后的列数
带冲量的优化器可以优化训练过程。
图像的特征提取方法:
手动:傅里叶变换FFT、小波Wavelet
自动:CNN
代码
代码结构:
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
# prepare dataset
batch_size = 64
transform = transforms.Compose([
# 将输入的图像转化为pytorch中的张量
transforms.ToTensor(),
# 标准化,均值mean和标准差std,将其中0~255的数据变化成[0,1]之间,这样的数据在神经网络中训练的效果是最好的
transforms.Normalize((0.1307,), (0.3081,))])
# 构造训练集和数据加载器
train_dataset = datasets.MNIST(root='../dataset/mnist/', train=False, download=False, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
# 构造测试集和数据加载器
test_dataset = datasets.MNIST(root='../dataset/mnist/', train=True, download=False, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)
# design model using class
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) # -1其实就是自动获取样本数量
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) # 对于多分类问题,最后一层不用激活函数
model = Net()
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5) # 带冲量的优化器可以帮助梯度下降效果更好
# training cycle forward, backward, update
# 将一轮循环封装成函数,方便边训练边测试
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
# 获得一个批次64个的数据和标签
inputs, target = data
optimizer.zero_grad()
# 获得模型预测结果(64, 10)
outputs = model(inputs)
# 交叉熵代价函数outputs(64,10),target(64)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item() # 要用item()取值,否则会构建计算图
if batch_idx % 50 == 49:
# 打印这是第几次训练,这次训练中是第几次batch迭代
print('[%d, %5d] loss: %.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
# test不需要反向传播,也不需要计算梯度
def test():
correct = 0 # 正确多少
total = 0 # 总共多少
with torch.no_grad(): # 这样写的话里面的代码就不会计算梯度
for data in test_loader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, dim=1) # 找到最大值所在的下标,dim = 1 列是第0个维度,行是第1个维度
total += labels.size(0)
correct += (predicted == labels).sum().item() # 张量之间的比较运算
print('accuracy on test set: %d %% ' % (100 * correct / total))
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()
训练20次的结果