pytorch练习-多分类问题

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：