动手学深度学习 PyTorch版 李沐视频课笔记
文章目录
- 动手学深度学习 PyTorch版 李沐视频课笔记
- 一、图像分类数据集
- 二、Softmax从零开始实现
-
- 1. 读取Fashion-MNIST数据集。
- 2. 将展平每个图像,将它们视为长度784的向量。因为我们的数据集有10个类别,所以网络输出维度为10
- 3. 实现Softmax
- 4. 实现softmax回归模型
- 5. 创建一个数据y_hat,其中包含2个样本在3个类别的预测概率,使y作为y_hat中概率的索引
- 6. 实现交叉熵函数
- 7. 将预测类别与真实元素y进行比较
- 8. 评估在任意模型net的准确率
- 9. Accumulator实例中创建了2个变量,用于分别存储正确预测的数量和预测的总数量
- 10. softmax回归的训练
- 11. 定制一个在动画中绘制数据的实用程序类
- 12. 训练函数
- 13. 小批量随机梯度下降来优化模型的损失函数
- 14. 训练模型10个迭代周期
- 15. 对图像进行分类预测
- 三、softmax简洁实现
一、图像分类数据集
1. Fashion-MNIST
Code:
%matplotlib inline
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
d2l.use_svg_display()
2. 通过框架的内置函数将Fashion-MNIST数据及下载并读取到内存中
Code:
# 通过ToTensor实例将图像数据从PIL类型变换为32位浮点数格式
# 并除以255使得所有像素的数据均在0到1之间
trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(root="../data",train=True,
transform=trans,
download=True
)
mnist_test = torchvision.datasets.FashionMNIST(root="../data",train=False,
transform=trans,
download=True
)
len(mnist_train), len(mnist_test), mnist_train[0][0].shape
Result:
3. 两个可视化数据集的函数
Code:
def get_fashion_mnist_labels(labels):
'''返回Fashion-MNIST数据集的文本标签'''
text_labels = [
't-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt',
'sneaker', 'bag', 'ankle boot'
]
return [text_labels[int(i)] for i in labels]
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):
"""Plot is a list of images."""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
ax.axis('off')
ax.set_title(titles[i])
else:
# PIL图片
ax.imshow(img)
4. 几个样本的图像及其相应的标签
Code:
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))
Result:
5. 读取一小批量数据,大小为batch_size
Code:
batch_size = 256
def get_dataloader_workers():
"""使用4个进程来读取的数据"""
return 4
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers())
timer = d2l.Timer()
for X, y in train_iter:
continue
print(f'{
timer.stop():.2f} sec')
Result:
6. 定义load_data_fashion_mnist函数
Code:
def load_data_fashion_mnist(batch_size, resize=None):
"""下载Fashion-MNIST数据集, 然后将其加载到内存中。"""
trans = [transforms.ToTensor()]
if resize:
tran