基于Pytorch简单的sotfmax分类算法实现

目的

之前一段时间有很多次想学习深度学习内容，但很多次都失败了。分析其中的一个原因就是每次都陷入某一个定理或公式的推导中，当受挫了就放弃了。下次就又卡在相同的地方了，导致自己每次看都觉得自己搞不定这个。现在，换一个角度去学这个东西，先从整体去看它，如果有不会的地方就略过，先会用，当有了一个整体的认知后，再去想它的实现细节，以及为什么使用这个。
文章基于《动手学深度学习 Pytorch版》

一个简单的softmax模型的实现

一个简单的softmax模型怎么搭建呢？结合书中的实现过程，其实主要有5个步骤：

1. 加载数据
2. 定义模型和初始化模型参数
3. 定义损失函数
4. 定义优化算法
5. 训练

整个模型的代码:

import torch
from torch import nn
from d2l import torch as d2l

# 加载数据
batch_size = 256
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)

# 定义模型及初始化模型参数
net = nn.Sequential(nn.Flatten(),nn.Linear(784,10))
def init_weights(m):
	if type(m) == nn,Linear:
		nn.init.normal_(m.weight,std=0.01)
net.apply(init_weight)

# 定义损失函数
loss = nn.CrossEntropyLoss()

# 定义优化算法
trainer = torch.optim.SGD(net.parameters(),lr=0.1)

# 训练
num_epochs = 10
d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)

训练结果：

至此，一个softmax分类算法完成了！放鞭炮！放鞭炮！放鞭炮！
整个过程就5步，至于每一步里面的具体细节，之后再慢慢去抠，先对整体框架有个初步认识，不会的就略过，反正都有实现好的东西可以用。等学的多了之后，该会的就都会了。