Pytorch版本朴素贝叶斯分类器在MNIST手写数据集上的实现

Pytorch版本朴素贝叶斯分类器在MNIST手写数据集上的实现

——————————————————————————————————————

一、贝叶斯公式：

$$p\left(x_2\mid x_1\right)=\frac{p\left(x_1\mid x_2\right)p\left(x_2\right)}{p\left(x_1\right)}$$

计算 后验概率 $p\left(x_2\mid x_1\right)$， 需要知道条件概率$p\left(x_1\mid x_2\right)$ 以及先验概率 $p\left(x_2\right)$.

——————————————————————————————————————

二、MNIST数据集

MNIST手写体数字数据集包含两个部分，含有 60000 张图片的训练集和含有 10000 张图片的测试集，每张图片都是由值在 0~255 之间的像素点构成的图片，大小为 28*28，如下图所示：

为了方便起见，之后我们会把这样的 $28\ast 28$ 的图片统一表示一维向量 ：
$$\left(x_1,x_2\dots x_l\right)，l=784$$
——————————————————————————————————————

三、思路

分类任务的核心就是任意给出一张图片，让分类器去预测这张图片最有可能的标签 y, 即：

$$\underset{y}{\mathrm{argmax}}P\left(y\mid picture\right)$$

写具体一点呢，变成下面的样子：

arg max ⁡ y P ( y ∣ x 1 , x 2 , x 3 … … x l ) \argmax _{y} P\left(y \mid x_{1}, x_{2}, x_{3} \ldots \ldots x_{l}\right) yargmax​P(y∣x1​,x2​,x