softmax回归从零开始实现

softmax回归从零开始实现

""""***********************1.初始化模型参数*************"""

#1.1 把每个28x28的样本图像展平为长度784的向量
#    因为有10个类别，所以网络输出维度为10
num_inputs = 784
num_outputs = 10

#权重将构成一个784×10的矩阵，偏置将构成一个1×10的行向量。
#与线性回归一样，我们将使用正态分布初始化我们的权重W，偏置初始化为0。
W = torch.normal(0,0.01,size=(num_inputs,num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)


""""**************2. 定义softmax操作*************"""
  #回顾 按指定维度进行计算
X = torch.tensor([[1.0,2.0,3.0],[4.0,5.0,6.0]])
X.sum(0,keepdim=True),X.sum(1,keepdim=True)

#softmax由三个步骤组成：
#（1）对每个项求幂（使用exp）；
#（2）对每一行求和（小批量中每个样本是一行），得到每个样本的归一化常数；
#（3）将每一行除以其归一化常数，确保结果的和为1。
def softmax(X):
  x_exp = torch.exp(X)
  partition = x_exp.sum(1,keepdim=True)
  return x_exp/partition

#%%调用函数验证一下
"""X = torch.normal(0,1,(2,5))
x_prob = softmax(X)
x_prob,x_prob.sum(1)"""


"""****************3 定义模型****************"""
def net(X):
  return softmax(torch.matmul(X.reshape((-1,W.shape[0])),W)+b)

"""****************4 定义损失函数——交叉熵********************"""
  #我们创建一个数据y_hat，其中包含2个样本在3个类别的预测概率，它们对应的标签y。 
  #有了y，我们知道在第一个样本中，第一类是正确的预测，
  #而在第二个样本中，第三类是正确的预测。 
  #然后使用y作为y_hat中概率的索引，
  #我们选择第一个样本中第一个类的概率和第二个样本中第三个类的概率。
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]

  #下面实现交叉熵损失函数
def cross_entropy(y_hat,y):
  return -torch.log(y_hat[range(len(y_hat)),y])


"""**************************5 分类准确率*******************"""
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行列数均大于1，是一个二维矩阵
    y_hat = y_hat.argmax(axis=1) #求每一行中的最大值
  cmp = y_hat.type(y.dtype) == y #将y_hat类型转化为y的类型，并和y进行比较，相等则说明类别正确为1，否则错误为0
  return float(cmp.type(y.dtype).sum()) #最后将布尔类型转化为y的类型(int)，并进行求和，得到预测正确的数量，再转成float是为了之后算比值能保留小数点后的位数

  #同样，对于任意数据迭代器data_iter可访问的数据集，
  #我们可以评估在任意模型net的准确率
def evaluate_accuracy(net,data_iter):
  """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，即不计算梯度了，只做一个forward-path
  metric = Accumulator(2) #Accumulator实例，正确预测数、预测总数
  for X, y in data_iter:
    metric.add(accuracy(net(X),y), y.numel())#(正确数，样本总数)，然后累加
  return metric[0]/metric[1]

  #Accumulator实例中，创建了两个变量，用于分别存储正确预测的数量和预测的总数量
class Accumulator:
  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)

"""**********************6 训练************************"""

# 首先定义一个函数来训练一个迭代周期
def train_epoch_ch3(net, train_iter, loss, updater):
  """updater是更新模型参数的常用函数，它接受批量大小作为参数。"""
  """它可以是封装的d2l.sgd函数，也可以是框架的内置优化函数"""

  """训练模型一个迭代周期"""
  #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()
      l.backward()
      updater.step()
      metric.add(
          float(l)*len(y), accuracy(y_hat,y),
          y.size().numel())#训练损失总和、训练准确度总和、样本数
    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准确率
  return metric[0] / metric[2], metric[1]/metric[2]

# 训练过程可视化
class Animator:
    """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)


# 然后定义训练函数
"""在train_iter访问到的训练数据集上训练一个模型net。
该训练函数将会运行多个迭代周期（由num_epochs指定）。
在每个迭代周期结束时，利用test_iter访问到的测试数据集对模型进行评估"""

def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
    """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'])
    for epoch in range(num_epochs):
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        test_acc = evaluate_accuracy(net, test_iter)
        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



"""*********************7. 开始训练*****************"""
lr = 0.1 #学习率

def updater(batch_size): # 小批量随机梯度下降来优化模型的损失函数
  return d2l.sgd([W,b],lr,batch_size)
num_epochs = 10
train_ch3(net,train_iter,test_iter,cross_entropy,num_epochs,updater)