softmax回归的实现:
import torch
from IPython import display
from d2l import torch as d2l
这一块没啥好说的
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
这一块选定了训练的batch_size,同时运用之前封装的迭代器获取了train和test数据集。
num_inputs = 784
#展平每一个图像,将其视为28*28的向量,目前暂且将每一个像素视为一个特征
num_outputs = 10
#我们的数据集有10个维度(labels),所以输出为10
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
#利用正态分布,初始化W,b,其中,W的形状为784*10,b的形状为10*1
b = torch.zeros(num_outputs, requires_grad=True)
上面定义了input和output同时,初始化了权重和偏移。
回顾矩阵求和:
x.sum(0, keepdim=True)
#这是对行求和,列数不变
x.sum(1, keepdim=True)
#这是对列求和,行数不变
softmax的python实现:
def softmax(X)
X_exp = torch.exp(X)
#得到exp
partition = X_exp.sum(1, keepdim=True)
#每个数据的exp的和
return X_exp / partition
#计算得到概率
实现softmax回归模型:
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
#这里x.reshape把输入训练集x构造成256*784的矩阵,再与W矩阵进行内积加上偏置,获得了softmax内
#部数据,然后通过softmax获得所要的概率。reshape中的-1表示自动计算。
python中的花式索引:
例子:
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]
输出结果为两个值:0.1和0.5
原理:在上面的代码中,y_hat代表了一个2*3的矩阵,说明,有2个样本3个类别的预测,而y相当于之前的one_hot码,她的0,2分别代表对应样本中正确预测的那个类别,在本个例子中,y_hat样本1的第1个即0,和第二个样本的2即第三个预测正确,那么在最后的输出中,输出了对应的结果。
y_hat[[],[]]中,第一个位置代表真实标号,第二个位置为对应的值。
交叉熵函数:
def cross_entropy(y_hat, y):
return -torch.log(y_hat[range(len(y_hat)), y])
#range为从第一行到末尾,每行取出对应的y的值,y是热独码,记录了对应位置yi=1时的情况
将预测类别和真实y相比较:
def accuracy(y_hat, y):
"""计算预测正确的数量."""
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
#如果y_hat的shape大于1并且y_hat的列数大于1
y_hat = y_hat.argmax(axis=1)
#argmax返回每一行所有列中,y_hat最大的索引,然后将索引保存在y_hat中
cmp = y_hat.type(y.dtype) == y
#利用type把y_hat的数据类型转换为y的数据类型,然后和y作比较,转化为bool类型,如果索引与y相等
#则预测正确,cmp = 1,反之为0
return float(cmp.type(y.dtype).sum())
#将cmp格式转换,并且求和,得到正确的个数。
评估任意模型net的准确率:
def evaluate_accuracy(net, data_iter):
"""计算在制定数据集上模型的精度"""
if isinstance(net, torch.nn.Moudle):
net.eval()
#把模型设置为评估模式
metric = Accumulator(2)
#定义了实用程序类ACC,在本函数中,创建了两个变量,分别存储正确预测数量和预测总数量。
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
#首先对X进行net运算,求出评测值,然后计算所有预测正确的样本数,y.numel()为所有样本数,然后
#放入累加器,不断向metric矩阵中加入元素。(注意,这里X是一批次数据)
return metric[0] / metric[1]
#返回所有预测正确的样本数和总样本数的比值。
Accumulator实现:
这段代码中:
1.init类用于初始化n个变量,每个变量赋值0.0
2.add类用于将传入的参数加到各个变量上,并保存到self.data中
3.reset类将所有变量重置为0.0
4.getitem用于获取索引位置的变量值