pytorch softmax回归【从零实现+简洁实现】

一、前言

从零实现

1. 构造数据集迭代器
2. 实现模型
3. 初始化超参数
4. 定义 softmax 操作
5. 定义损失函数【交叉熵 CrossEntropyLoss 】
6. 定义优化算法SGD
7. 定义评估准确率的方法及训练时的辅助动画
8. 训练

简洁实现

1. 构造数据集迭代器
2. 使用 pytorch 模块实现模型
3. 使用 pytorch 的方式初始化超参数
4. 使用 pytorch 的损失函数【交叉熵 CrossEntropyLoss 】【pytorch 的 CrossEntropyLoss 自带 softmax 操作】
5. 使用 pytorch 的优化算法SGD
6. 定义评估准确率的方法及训练时的辅助动画
7. 训练

ps：感谢李沐老师，虽然他不认识我（旺柴）

---

二、实现

1.加载并测试数据集

import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l


# 用svg来显示图片，清晰度高一些
d2l.use_svg_display()


# 数据集测试 -----------------------------------------------------
# 下载数据,查看数据总量
# 通过ToTensor实例将图像数从PIL类型变换成32位浮点数格式
# 并除以255使得所有图像的数值都在0到1之间
trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(
    root=r'./data',
    train=True,
    transform=trans,
    download=True
)
mnist_test = torchvision.datasets.FashionMNIST(
    root=r'./data',
    train=False,
    transform=trans,
    download=True
)

print(len(mnist_train))
print(len(mnist_test))


# 数据展示
# 根据分类索引查询标签
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', 'sweater', '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):
    """
    展示一组图片
    :return:
    """
    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())
        else:
            # PIL图片
            ax.imshow(img)
        ax.set_title(titles[i])

x, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
# print(x.shape)
# print(y.shape)
# print(get_fashion_mnist_labels(y))
show_images(x.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))

# show img
d2l.plt.show()


# 图片加载速度测试【控制图片加载批次，使得训练速度>图片加载速度】
batch_size = 256        # 每批次加载到内存中的图片数
loader_workers = 4      # 加载图片使用的进程数

train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=loader_workers)

timer = d2l.Timer()
for x, y in train_iter:
    continue
print("加载一个批次的图片用时：{} s".format(timer.stop()))

2.从零实现

import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l


# 用svg来显示图片，清晰度高一些
d2l.use_svg_display()


# 构造数据集迭代器 -----------------------------------------
def load_data_fashion_mnist(batch_size, resize=None):
    """
    下载mnist数据集到指定目录，按批次加载到内存并返回迭代器
    :param batch_size:  # 每批次加载的数据量
    :param resize:      # 放大或缩小图片
    :return:
    """
    # 图片预处理方法定义
    trans = [transforms.ToTensor()]
    if resize:
        trans.insert(0, transforms.Resize(resize))
    # # transforms.Compose([
    #   transforms.Resize(resize),  # 改变图像大小
    #   transforms.ToTensor()       # 转为tensor张量，通过ToTensor实例将图像数从PIL类型变换成32位浮点数格式，并除以255使得所有图像的数值都在0到1之间
    # ])
    trans = transforms.Compose(trans)

    # 加载数据
    # root=r'./data', download=True 下载数据并缓存在./data目录
    # train=True  加载训练集
    # train=False 加载测试集
    mnist_train = torchvision.datasets.FashionMNIST(
        root=r'./data',
        train=True,
        transform=trans,
        download=True
    )
    mnist_test = torchvision.datasets.FashionMNIST(
        root=r'./data',
        train=False,
        transform=trans,
        download=True
    )

    # 返回训练集和测试集的迭代器
    # shuffle 是否乱序
    # num_workers 多进程提高图片从硬盘加载的速度
    train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=4)
    test_iter = data.DataLoader(mnist_test, batch_size, shuffle=False, num_workers=4)
    return (train_iter, test_iter)

batch_size = 256                                                # 每批次返回256张图
train_iter, test_iter = load_data_fashion_mnist(batch_size)     # 获得数据迭代器


# 实现模型 -------------------------------------------------------------
def net(X):
    # X 输入是一个四维矩阵 (256*1*28*28)，在这里通过reshape转成二维 (自适应*768) 也就是 (256*768)
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)


# 初始化超参数 -----------------------------------------------------------------
# 简单的将图片维度拉直
num_inputs = 784    # 输入维度 28*28
num_outputs = 10    # 输出维度 10

W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)


# 定义 softmax 操作 -------------------------
def softmax(X):                                 # 举例：X = torch.tensor([[2, 2, 2], [2, 2, 2], [2, 2, 2]])
    # torch.exp e为底的指数函数 yi = e**xi
    X_exp = torch.exp(X)                        # 举例：X_exp = tensor([[2.7183, 2.7183, 2.7183], [2.7183, 2.7183, 2.7183], [2.7183, 2.7183, 2.7183]])
    # 矩阵每行求和，keepdim 保持维度
    partition = X_exp.sum(1, keepdim=True)      # 举例：partition = tensor([[22.1672], [22.1672], [22.1672]])
    # 利用广播机制求概率，partition矩阵将会被展开成与X_exp矩阵相同的维度，然后再进行对位相除
    return X_exp / partition                    # 举例：X_exp / partition = tensor([[0.3333, 0.3333, 0.3333], [0.3333, 0.3333, 0.3333], [0.3333, 0.3333, 0.3333]])
    # 输出前 [[2, 2, 2], [2, 2, 2], [2, 2, 2]]
    # 输出后 [[0.3333, 0.3333, 0.3333], [0.3333, 0.3333, 0.3333], [0.3333, 0.3333, 0.3333]]
    # 输出后的矩阵形状不变，值为非负，且每行的和为1


# 定义损失函数【交叉熵】 -----------------------------
def cross_entropy(y_hat, y):
    return -torch.log(y_hat[range(len(y_hat)), y])
# 假设有一个三分类问题，现在有两个真实数据y和两个预测数据y_hat
# 假设 y = torch.tensor([1, 0])
#     y_hat = torch.tensor([[0.1, 0.2, 0.7], [0.8, 0.1, 0.1]])
# 执行交叉熵
# 取 y_hat 中第一维中的第1个元素 和 y_hat 中第二维中的第0个元素
# 也就是 0.2 和 0.8，torch.tensor([0.2, 0.8])
# 求e为底 torch.tensor([0.2, 0.8]) 的对数，得 tensor([-1.6094, -0.2231])
# 求负数，得出两吗个分类的预测损失值 tensor([1.6094, 0.2231])


# 定义优化算法SGD -------------------------------------
# 小批量随机梯度下降法
lr = 0.1
def updater(batch_size):
    """ 小批量随机梯度下降 """
    with torch.no_grad():                           # 更新参数时不计算梯度
        for param in [W, b]:
            param -= lr * param.grad / batch_size   # w1 = w0 - 学习率 * 损失函数关于w0的梯度，除以 batch_size 求平均损失，如果在损失函数中除以了batch_size，这里就不要除了
            param.grad.zero_()                      # 梯度归0
           

# 评估准确率的方法 ----------------------------------------
# 定义预测准确率函数
def accuracy(y_hat, y):
    '''
    :param y_hat: 接收二维张量，例如 torch.tensor([[1], [0]...])
    :param y: 接收二维张量，例如 torch.tensor([[0.1, 0.2, 0.7], [0.8, 0.1, 0.1]...]) 三分类问题
    :return:
    '''
    # if len(y_hat.shape) > 1 and len(y.shape) > 1:
    y_hat = y_hat.argmax(axis=1)
    cmp = y_hat.type(y.dtype) == y
    return float(cmp.type(y.dtype).sum())

class Accumulator():
    ''' 对评估的正确数量和总数进行累加 '''
    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, item):
        return self.data[item]

# 对任意模型评估准确率的方法
def evaluate_accuracy(net, data_iter):
    ''' 计算在指定数据集上的模型精度 '''
    if isinstance(net, torch.nn.Module):
        net.eval()      # 将模型设置为评估模式
    metric = Accumulator(2)
    for X, y in data_iter:
        metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

print(evaluate_accuracy(net, test_iter))
# 使用随机初始化的net预测十分类测试，正确率刚好在10%左右
# 0.1349

# 定义训练时的辅助动画
from IPython import display
class Animator():  #@save
    """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)
        d2l.plt.draw()
        d2l.plt.pause(0.001)
        display.clear_output(wait=True)


# 训练 -------------------------------------------------
# 定义每批次训练函数
def train_epoch_ch3(net, train_iter, loss, updater):
    # 判断是不是pytorch的model，如果是，就打开训练模式，pytorch的训练模式默认开启梯度更新
    if isinstance(net, torch.nn.Module):
        net.train()
    # 创建样本累加器【累加每批次的损失值、样本预测正确的个数、样本总数】
    metric = Accumulator(3)
    for X, y in train_iter:
        # 前向传播获得预测结果
        y_hat = net(X)
        # 计算损失值
        l = loss(y_hat, y)
        # 判断是pytorch自带的方法还是我们手写的方法【根据不同的方法有不同的处理方式】
        if isinstance(updater, torch.optim.Optimizer):
            # 梯度清零
            updater.zero_grad()
            # 损失值求和，反向传播【pytorch自动进行了损失值求和】
            l.backward()
            # 更新梯度
            updater.step()
            # 累加各参数
            metric.add(
                float(l)*len(y),        # 损失值总数
                accuracy(y_hat, y),     # 样本预测正确的总数
                y.size().numel()        # 样本总数
            )
        else:
            # 损失值求和，反向传播
            l.sum().backward()
            # 梯度更新
            updater(X.shape[0])
            # 累加各参数
            metric.add(float(l.sum()), accuracy(y_hat, y), y.size().numel())
    # 返回 平均损失值 和 预测正确的概率
    # print("metric[0]: {}".format(metric[0]))
    # print("metric[1]: {}".format(metric[1]))
    # print("metric[2]: {}".format(metric[2]))
    return metric[0]/metric[2], metric[1]/metric[2]

# 定义训练方法
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
    """训练模型 """
    # 初始化训练动画
    animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
                        legend=['train loss', 'train acc', 'test acc'])
    # 训练 num_epochs 代
    for epoch in range(num_epochs):
        # 调用训练方法
        # 返回  平均损失值 和 预测正确的概率
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        # 测试集上的准确率
        test_acc = evaluate_accuracy(net, test_iter)
        # 绘制【训练代数，平均损失值、前向传播时的预测正确率、测试集预测正确率】
        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

# 开始训练 
num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)

2.简洁实现

import torch
from torch import nn
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l


# 用svg来显示图片，清晰度高一些
d2l.use_svg_display()


# 构造数据集迭代器 -----------------------------------------
def load_data_fashion_mnist(batch_size, resize=None):
    """
    下载mnist数据集到指定目录，按批次加载到内存并返回迭代器
    :param batch_size:  # 每批次加载的数据量
    :param resize:      # 放大或缩小图片
    :return:
    """
    # 图片预处理方法定义
    trans = [transforms.ToTensor()]
    if resize:
        trans.insert(0, transforms.Resize(resize))
    # # transforms.Compose([
    #   transforms.Resize(resize),  # 改变图像大小
    #   transforms.ToTensor()       # 转为tensor张量，通过ToTensor实例将图像数从PIL类型变换成32位浮点数格式，并除以255使得所有图像的数值都在0到1之间
    # ])
    trans = transforms.Compose(trans)

    # 加载数据
    # root=r'./data', download=True 下载数据并缓存在./data目录
    # train=True  加载训练集
    # train=False 加载测试集
    mnist_train = torchvision.datasets.FashionMNIST(
        root=r'./data',
        train=True,
        transform=trans,
        download=True
    )
    mnist_test = torchvision.datasets.FashionMNIST(
        root=r'./data',
        train=False,
        transform=trans,
        download=True
    )

    # 返回训练集和测试集的迭代器
    # shuffle 是否乱序
    # num_workers 多进程提高图片从硬盘加载的速度
    train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=4)
    test_iter = data.DataLoader(mnist_test, batch_size, shuffle=False, num_workers=4)
    return (train_iter, test_iter)

batch_size = 256                                                # 每批次返回256张图
train_iter, test_iter = load_data_fashion_mnist(batch_size)     # 获得数据迭代器


# 实现模型 ----------------------------------------------
# pytorch不会隐式的调整输入情况
# 因此，我们定义了展平层 Flatten ，在线性层前调整网络输入的形状
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))


# 初始化超参数 ---------------------------------
def init_weights(m):
	# 遍历 Sequential 如果发现 Linear 层,就把该层所有超参数初始化为均值0方差0.01的值
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)
# 模型加入初始化参数的方法
net.apply(init_weights)


# 定义损失函数 ----------------
loss = nn.CrossEntropyLoss()


# 定义优化算法【SGD】----------------------------------
updater = torch.optim.SGD(net.parameters(), lr=0.1)


# 评估准确率的方法 ----------------------------------------
# 定义预测准确率函数
def accuracy(y_hat, y):
    '''
    :param y_hat: 接收二维张量，例如 torch.tensor([[1], [0]...])
    :param y: 接收二维张量，例如 torch.tensor([[0.1, 0.2, 0.7], [0.8, 0.1, 0.1]...]) 三分类问题
    :return:
    '''
    # if len(y_hat.shape) > 1 and len(y.shape) > 1:
    y_hat = y_hat.argmax(axis=1)
    cmp = y_hat.type(y.dtype) == y
    return float(cmp.type(y.dtype).sum())

class Accumulator():
    ''' 对评估的正确数量和总数进行累加 '''
    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, item):
        return self.data[item]

# 对任意模型评估准确率的方法
def evaluate_accuracy(net, data_iter):
    ''' 计算在指定数据集上的模型精度 '''
    if isinstance(net, torch.nn.Module):
        net.eval()      # 将模型设置为评估模式
    metric = Accumulator(2)
    for X, y in data_iter:
        metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

print(evaluate_accuracy(net, test_iter))
# 使用随机初始化的net预测十分类测试，正确率刚好在10%左右
# 0.1349

# 定义训练时的辅助动画
from IPython import display
class Animator():  #@save
    """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)
        d2l.plt.draw()
        d2l.plt.pause(0.001)
        display.clear_output(wait=True)


# 训练 -------------------------------------------------
# 定义每批次训练函数
def train_epoch_ch3(net, train_iter, loss, updater):
    # 判断是不是pytorch的model，如果是，就打开训练模式，pytorch的训练模式默认开启梯度更新
    if isinstance(net, torch.nn.Module):
        net.train()
    # 创建样本累加器【累加每批次的损失值、样本预测正确的个数、样本总数】
    metric = Accumulator(3)
    for X, y in train_iter:
        # 前向传播获得预测结果
        y_hat = net(X)
        # 计算损失值
        l = loss(y_hat, y)
        # 判断是pytorch自带的方法还是我们手写的方法【根据不同的方法有不同的处理方式】
        if isinstance(updater, torch.optim.Optimizer):
            # 梯度清零
            updater.zero_grad()
            # 损失值求和，反向传播【pytorch自动进行了损失值求和】
            l.backward()
            # 更新梯度
            updater.step()
            # 累加各参数
            metric.add(
                float(l)*len(y),        # 损失值总数
                accuracy(y_hat, y),     # 样本预测正确的总数
                y.size().numel()        # 样本总数
            )
        else:
            # 损失值求和，反向传播
            l.sum().backward()
            # 梯度更新
            updater(X.shape[0])
            # 累加各参数
            metric.add(float(l.sum()), accuracy(y_hat, y), y.size().numel())
    # 返回 平均损失值 和 预测正确的概率
    # print("metric[0]: {}".format(metric[0]))
    # print("metric[1]: {}".format(metric[1]))
    # print("metric[2]: {}".format(metric[2]))
    return metric[0]/metric[2], metric[1]/metric[2]

# 定义训练方法
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
    """训练模型 """
    # 初始化训练动画
    animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
                        legend=['train loss', 'train acc', 'test acc'])
    # 训练 num_epochs 代
    for epoch in range(num_epochs):
        # 调用训练方法
        # 返回  平均损失值 和 预测正确的概率
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        # 测试集上的准确率
        test_acc = evaluate_accuracy(net, test_iter)
        # 绘制【训练代数，平均损失值、前向传播时的预测正确率、测试集预测正确率】
        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

# 开始训练
num_epochs = 10
train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)