softmax回归+数据集等等

图像分类数据集里

1. 减少batch_size（如减少到1）是否会影响读取性能？
   答：

    批量越大时间的成本是越低的。

2. 数据迭代器的性能非常重要。你认为当前的实现足够快吗？探索各种选择来改进它。
   不会

3. 查阅框架的在线API文档。还有哪些其他数据集可用？
   自行查阅

#softmax实现开始
import torch
from IPython import display
from d2l import torch as d2l

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

#28*28=784 因为我们softmax的输入是一个向量 所以拉长他，当然他损失了很多的空间信息
num_inputs = 784
num_outputs = 10
#定义权重 高斯随机的 形状是784*10的矩阵  
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
#偏置项 是10  1*10的矩阵
b = torch.zeros(num_outputs, requires_grad=True)

def softmax(x):
    x_exp = torch.exp(x)
    partition = x_exp.sum(1, keepdim=True)
    return x_exp / partition

X = torch.normal(0, 1, (2, 5))
X, X.shape[0]

X_p = softmax(X)
X_p, X_p.sum(1)

def net(X):
    #-1表示列/行数自动计算
    #    reshape(1,-1)转化成1行  reshape(-1,1)转换成1列   W.shape[0]的意思是看他的行
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

#y是真实值代表第几个类别
#y_hat是预测概率
#具体一点假定0代表苹果，1代表橘子，2代表香蕉，
#y=【0,2】0代表第一个图片真的是苹果，2代表第二个图片真的是香蕉。
#而y_hat是预测值，y_hat里头两列，表示算法识别第一个图片是苹果的概率是0.1，
#是橘子的概率为0.3，是香蕉的概率是0.6.第二个图片类似。
#y_hat【【0,1】，y】=【0.1】【0.5】，这个算法把第一个图片识别为苹果的概率是0.1，
#第二个图片识别成香蕉的概率是0.5。
#即，我这个调教出来的算法，识别正确的概率。
y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y_hat[[0, 1], y]

#y = torch.tensor([0, 2 ,1, 2])
#y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
#y0 = 0 就是y_hat中第0个样本的第0个数据 y1 = 2就是y_hat中第1个样本的第二个数据
#y_hat[[0, 1, 0,0], y]

 def cross_entropy(y_hat, y):
        #len是返回几行
    return - torch.log(y_hat[range(len(y_hat)), y])

cross_entropy(y_hat, y), len(y_hat)

def accuracy(y_hat, y):  #@save
    """计算预测正确的数量"""
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        #argmax为0/1按列/行寻找最大值的下标
        y_hat = y_hat.argmax(axis=1)
        #cmp是bool类型的
    cmp = y_hat.type(y.dtype) == y
    #再将它与y一样的形状 求和
    return float(cmp.type(y.dtype).sum())

accuracy(y_hat, y) / len(y)

def evaluate_accuracy(net, data_iter):  #@save
    """计算在指定数据集上模型的精度"""
    if isinstance(net, torch.nn.Module):
        net.eval()  # 将模型设置为评估模式
    metric = Accumulator(2)  # 正确预测数、预测总数
    with torch.no_grad():
        for X, y in data_iter:
            metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

class Accumulator:  #@save
    """在n个变量上累加"""
    def __init__(self, n):
        self.data = [0.0] * n

    def add(self, *args):
        self.data = [a + float(b) for a, b in zip(self.data, args)]

    def reset(self):
        self.data = [0.0] * len(self.data)

    def __getitem__(self, idx):
        return self.data[idx]

evaluate_accuracy(net, test_iter)

def train_epoch_ch3(net, train_iter, loss, updater):  #@save
    """训练模型一个迭代周期（定义见第3章）"""
    # 将模型设置为训练模式
    if isinstance(net, torch.nn.Module):
        net.train()
    # 训练损失总和、训练准确度总和、样本数
    metric = Accumulator(3)
    for X, y in train_iter:
        # 计算梯度并更新参数
        y_hat = net(X)
        l = loss(y_hat, y)
        if isinstance(updater, torch.optim.Optimizer):
            # 使用PyTorch内置的优化器和损失函数
            updater.zero_grad()
            #计算梯度
            l.mean().backward()
            #更新参数
            updater.step()
        else:
            # 使用定制的优化器和损失函数
            l.sum().backward()
            updater(X.shape[0])
        metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
    # 返回训练损失和训练精度
    return metric[0] / metric[2], metric[1] / metric[2]

class Animator:  #@save
    """在动画中绘制数据"""
    def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
                 ylim=None, xscale='linear', yscale='linear',
                 fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,
                 figsize=(3.5, 2.5)):
        # 增量地绘制多条线
        if legend is None:
            legend = []
        d2l.use_svg_display()
        self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)
        if nrows * ncols == 1:
            self.axes = [self.axes, ]
        # 使用lambda函数捕获参数
        self.config_axes = lambda: d2l.set_axes(
            self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
        self.X, self.Y, self.fmts = None, None, fmts

    def add(self, x, y):
        # 向图表中添加多个数据点
        if not hasattr(y, "__len__"):
            y = [y]
        n = len(y)
        if not hasattr(x, "__len__"):
            x = [x] * n
        if not self.X:
            self.X = [[] for _ in range(n)]
        if not self.Y:
            self.Y = [[] for _ in range(n)]
        for i, (a, b) in enumerate(zip(x, y)):
            if a is not None and b is not None:
                self.X[i].append(a)
                self.Y[i].append(b)
        self.axes[0].cla()
        for x, y, fmt in zip(self.X, self.Y, self.fmts):
            self.axes[0].plot(x, y, fmt)
        self.config_axes()
        display.display(self.fig)
        display.clear_output(wait=True)

def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):  #@save
    """训练模型（定义见第3章）"""
    animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
                        legend=['train loss', 'train acc', 'test acc'])
    #扫n遍数据 
    for epoch in range(num_epochs):
        #训练训练集的数据
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        #在测试集看一下精度
        test_acc = evaluate_accuracy(net, test_iter)
        #在animator显示一下训练的误差
        animator.add(epoch + 1, train_metrics + (test_acc,))
    train_loss, train_acc = train_metrics
    assert train_loss < 0.5, train_loss
    assert train_acc <= 1 and train_acc > 0.7, train_acc
    assert test_acc <= 1 and test_acc > 0.7, test_acc

lr = 0.1

def updater(batch_size):
    return d2l.sgd([W, b], lr, batch_size)

num_epochs = 20
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)

#蓝色的是训练损失
#紫色的虚线是训练的精度
#绿色是测试的精度
def predict_ch3(net, test_iter, n=6):  #@save
    """预测标签（定义见第3章）"""
    for X, y in test_iter:
        break
    trues = d2l.get_fashion_mnist_labels(y)
    preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
    titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
    d2l.show_images(
        X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])

predict_ch3(net, test_iter)

简单的说一下代码 

首先第一段是对训练集和测试集的读取，接下来定义权重和偏置项，

定义softmax。

接下来我们设置一个X来试验一下我们的代码。

net函数是前向传播的过程。

y与y_hat的get

使用交叉熵作为损失函数。

accuracy是计算预测正确的占总体的比例。

  evaluate_accuracy是在指定训练集上的预测比例 是上一个的泛化

Accumulator累加函数

train_epoch_ch3 训练函数（1遍） 包括反向传播计算梯度 返回训练损失和精度

Animator画图 这个函数其实没必要看哈

train_ch3 训练n遍的函数  这里相当与一个程序的main函数哈

定义一下学习率等等等。

1. 在本节中，我们直接实现了基于数学定义softmax运算的softmax函数。这可能会导致什么问题？提示：尝试计算exp⁡(50)的大小。
   如果输入的值很大，可能超出长度范围

2. 本节中的函数cross_entropy是根据交叉熵损失函数的定义实现的。它可能有什么问题？提示：考虑对数的定义域。
   如果y_hat很小的，那-log就会很大说不定会变成趋近于无穷大，就也可能越界

3. 你可以想到什么解决方案来解决上述两个问题？
   如果快到一个越界 就不要他了

4. 返回概率最大的分类标签总是最优解吗？例如，医疗诊断场景下你会这样做吗？
   通常是吧，在诊断场景 我们只能说他可能是什么也不能确定的说他是什么

5. 假设我们使用softmax回归来预测下一个单词，可选取的单词数目过多可能会带来哪些问题?
   这个就是我们的类别过多会导致什么，算法可能对所有的分类都有了一样的概率，，可能得不到最优解，当然你的反向传播也就没有用了。
    

6. 尝试调整超参数，例如批量大小、迭代周期数和学习率，并查看结果。
   自己挑看一下哈

7. 增加迭代周期的数量。为什么测试精度会在一段时间后降低？我们怎么解决这个问题？
   过拟合了，增加点训练样本

老师QA环节：

什么是软标签硬标签 。 以及他的策略。

pytorch文档中有怎么分测试集和训练集

统计学习：Statistics learning 是对模型的可解释性的书。