《Dive-into-DL-Pytorch》3.7 SOFTMAX回归的简洁实现(SOFTMAX regression pytorch)
# 导入需要的包和模块
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("...") # 引号内为d2lzh_pytorch的路径,如果出现报错,注意修改\为\\
import d2lzh_pytorch as d2l
3.7.1 获取和读取数据
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
3.7.2 定义和初始化模型
导入的每个batch样本的形状为(batch_size, 1, 28, 28),为了方便计算,我们将其转换为(batch_size, 784), 784 = 28 × 28 × 1 784 = 28 \times 28 \times 1 784=28×28×1
num_inputs = 784
num_outputs = 10
class LinearNet(nn.Module): # 定义一个名为LinearNet的类,该类继承自nn.Module
def __init__(self, num_inputs, num_outputs): # 定义了一个名为__init__的方法,该方法是LinearNet的构造函数,用于初始化类的实例
super(LinearNet, self).__init__() # 调用父类nn.Module的构造函数,初始化神经网络模型
self.linear = nn.Linear(num_inputs, num_outputs) # 定义一个名为linear的属性,该属性是一个线性层,用于将输入数据映射到输出数据
def forward(self, x): # x shape: (batch_size, 1, 28, 28)
'''定义了一个forward的方法,该方法是神经网络模型的前向传播函数,用于计算输入数据的输出'''
y = self.linear(x.view(x.shape[0], -1)) # 将输入数据通过线性层linear进行线性变换,并将结果赋给y
return y
这里简单介绍下几个函数的作用:
-
super()
(链接是菜鸟教程对super()
函数的解释):super()是一个python的内置函数,用于调用父类的方法,因为LinearNet
类是集成自父类nn.Module
的,使用super().xxx()
可以调用父类nn.Module
中的函数xxx()
。这里通过super().__init__()
来调用nn.Module
的__init()_
函数,用于初始化神经网络 -
nn.linear()
(CSDN上一个大佬的文章,讲的很好):这里的nn.linear()
有两个参数,一个是输入的特征数784,一个是输出的标签数10。nn.linear()
的作用就是将输入的特征经过线性变换,得到输出的结果。
这里的输入应该有784个,输出有10个
由于一个batch有256个样本,上面只是对一个样本进行线性处理,得到其输出结果。所以在forward()
函数中调用了nn.linear
,其参数为 x 256 × 784 x_{256 \times 784} x256×784,线性计算为:
y 256 × 10 = x 256 × 784 ω 784 × 10 + b 256 × 10 y_{256 \times 10} = x_{256 \times 784}\omega_{784 \times 10} + b_{256 \times 10} y256×10=x256×784ω784×10+b256×10
这里需要注意的是调用self.linear()
的时候里面只有一个参数 x 256 × 784 x_{256 \times 784} x256×784,那权重和偏差都是哪来的呢?
这里的权重和偏差(模型参数)都是初始化时随机生成的,因为我们不知道什么样的权重和偏差更好,所以我们随机生成,万一生成了准确率高的模型参数呢。后面也会对模型参数进行训练来找到更好的模型参数 -
view(x.shape[0], -1)
:将x的形状改为一个二维张量,形状为(batch_size, 总像素数),其中x.shape[0]就是batch_size,表示输入张量的总样本数,-1表示自动计算该维度的大小,以保证张量大小不变。
这样的目的是将输入数据展平为一维,以便于传入全连接层
当然,我们也可以使用Sequential
容器来定义我们的模型:
class FlattenLayer(nn.Module):
'''转换x的形状为二维张量,以便于传入全连接层'''
def __init__(self):
super(FlattenLayer, self).__init__()
def forward(self, x): # x shape: (batch, *, *, ...)
return x.view(x.shape[0], -1)
from collections import OrderedDict
net = nn.Sequential(
# FlattenLayer(),
# nn.Linear(nm_imputs, num_outputs)
OrderedDict([
('flatten', FlattenLayer()),
('linear', nn.Linear(num_inputs, num_outputs))
])
)
net = nn.Sequential()
:定义了一个名为net的神经网络模型,该模型是一个序列容器,可以把多个神经网络层按顺序组合成一个神经网络模型
然后创建了两个神经网络层flatten和linear(网络层的名称):flatten网络层是一个自定义的层,用于将输入数据展平成一维;linear网络层是一个线性层,用于将输入数据映射到输出数据(和上面的nn.linear()
一样)
初始化模型参数:
前面有说过模型参数是初始化时随机生成的,但我们也可以自己来设定怎么生成模型参数:
init.normal_(net.linear.weight, mean=0, std=0.01) # 使用均值为0,标准差为0.01的正态分布来随机初始化模型的权重参数
init.constant_(net.linear.bias, val=0) # 模型的偏差参数直接初始化为0
3.7.3 SOFTMAX和交叉熵损失函数
在上一节中,softmax运算和交叉熵损失函数是分开定义的,可能会造成数值不稳定。pytorch提供了一个包括softmax运算和交叉熵损失计算的函数。它的数值稳定性更好
loss = nn.CrossEntropyLoss()
nn.CrossEntropyLoss()
(这是pytorch的中文官方文档对nn.CrossEntropyLoss()
的解释):当然,这里为什么用softmax运算,书中3.4给有,为什么用交叉熵损失函数,我也不知道
3.7.4 定义优化算法
# 使用学习率为0.1的小批量随机梯度下降作为优化算法
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
还记得线性回归中说的吗?这个地方可以改变不同网络层的学习率,因为当时只有一个网络层,所以没办法展示,当时的代码是注释掉的,这里就可以了,我们可以改为这样的:
optimizer = torch.optim.SGD([
{'params': net.flatten.parameters(), 'lr': 0.1}, # 将flatten层学习率改为0.1
{'params': net.linear.parameters(), 'lr': 0.01} # 将linear层学习率改为0.01
])
也可以看出来学习率越小,结果越准确
3.7.5 训练模型
# 评价模型net在数据集data_iter上的准确率
def evaluate_accuracy(data_iter, net):
acc_sum, n = 0.0, 0
for X, y in data_iter:
acc_sum += (net(X).argmax(dim=1) == y).float().sum().item()
n += y.shape[0]
return acc_sum / n
def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params=None, lr=None, optimizer=None):
for epoch in range(num_epochs):
train_l_sum, train_acc_sum, n = 0.0, 0.0, 0
for X, y in train_iter:
y_hat = net(X)
l = loss(y_hat, y).sum()
# 梯度清零
if optimizer is not None:
optimizer.zero_grad()
elif params is not None and params[0].grad is not None:
for param in params:
param.grad.data.zero_()
l.backward()
if optimizer is None:
d2l.sgd(params, lr, batch_size)
else:
optimizer.step()
train_l_sum += l.item()
train_acc_sum += (y_hat.argmax(dim=1) == y).sum().item()
n += y.shape[0]
test_acc = evaluate_accuracy(test_iter, net)
print('epoch %d, loss %.4f, train acc %.3f, test acc %.3f' % (epoch + 1, train_l_sum / n, train_acc_sum / n, test_acc))
num_epochs = 5
train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)
ERROR
优化定义算法的时候出现报错,找了很久都没找到,错误情况如下:
错误原因为:AttributeError: 'FlattenLayer' object has no attribute '_parameters'
(属性错误:FlattenLayer没有parameters属性),找了很久的原因,最终发现是定义FlattenLayer
类的时候,没有对其初始化,即下面这段代码的第4行__init__
后面没有加()
,害,我找了一个多小时😭
class FlattenLayer(nn.Module):
'''转换x的形状为二维张量,以便于传入全连接层'''
def __init__(self):
super(FlattenLayer, self).__init__()
def forward(self, x): # x shape: (batch, *, *, ...)
return x.view(x.shape[0], -1)