1、多分类问题会用到softmax分类器
2、数字识别问题,输出一个分部,输出层为10个结果,分别代表不同数字的识别概率,有两个要求,一是结果都大于0,二是所有概率加起来和为1,softmax满足这两个条件:得到概率-计算指数-(类似)归一化
3、二分类的损失函数:
其实只有一项是非0的
多分类问题中,损失函数如下:
损失函数的计算代码:
在pytorch中,写为:(注意Y为长整型张量,不是0、1)
交叉熵损失包括以下部分:
所以不用写最后一层的非线性变换,交叉熵损失模块包括了非线性变换部分
4、代码
import torch
from torchvision import transforms#对图像进行处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F#用Relu激活函数
import torch.optim as optim#使用优化器
# prepare dataset
batch_size = 64
#把图像的像素值转变成张量,把图像28*28转变为1*28*28,增加了通道信息,并且像素值的范围设定在0-1之间
# 归一化的参数,均值和标准差,根据样本计算得知
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))])
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)
# design model using class
class Net(torch.nn.Module):
def __init__(self):#初始化
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mini_batch,view的作用在于改变张量的形状,784列,自动算行数
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) # 最后一层不做激活,不进行非线性变换,是要利用交叉熵损失计算softmax
#实例化
model = Net()
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()#交叉熵损失
#优化器,冲量为0.5
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# training cycle forward, backward, update 前馈 反馈 更新
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
# 获得一个批次的数据和标签
inputs, target = data
#优化器梯度清零
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()
if batch_idx % 300 == 299:#每300轮输出一次
print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))
running_loss = 0.0
def test():#测试不需要反向传播
correct = 0#正确的数量
total = 0#总数
with torch.no_grad():#不需要计算梯度
#一个for循环下来,处理了32张图片
for data in test_loader:
images, labels = data
outputs = model(images)
#每个样本输出10个量,这些值组成了一个矩阵,取每一行的最大值的下标
#返回两个值,一个是最大值,一个是最大值的下标,predicted是【32,1】
_, predicted = torch.max(outputs.data, dim=1) # dim = 1 列是第0个维度,行是第1个维度
total += labels.size(0)#size是(N,1),size(0)是N,是32
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):#一轮训练,一轮测试,都进行10轮
train(epoch)
test()
网络结构图: