3.7. softmax回归的简洁实现
本节如在 3.6节中一样, 继续使用Fashion-MNIST数据集,并保持批量大小为256。
import torch
from torch import nn
from d2l import torch as d2l
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
3.7.1. 初始化模型参数
softmax回归的输出层是一个全连接层。 因此,为了实现我们的模型, 我们只需在Sequential中添加一个带有10个输出的全连接层。
同样,在这里Sequential并不是必要的, 但它是实现深度模型的基础。 我们仍然以均值0和标准差0.01随机初始化权重。
# PyTorch不会隐式地调整输入的形状。因此,
# 我们在线性层前定义了展平层(flatten),来调整网络输入的形状
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_weights);
3.7.2. 重新审视Softmax的实现
loss = nn.CrossEntropyLoss(reduction='none')
3.7.3. 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
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
3.7.4. 训练
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DJEKjCOn-1662255434751)(https://zh.d2l.ai/_images/output_softmax-regression-concise_75d138_54_0.svg)]
和以前一样,这个算法使结果收敛到一个相当高的精度,而且这次的代码比之前更精简了。
3.7.5. 小结
-
使用深度学习框架的高级API,我们可以更简洁地实现softmax回归。
-
从计算的角度来看,实现softmax回归比较复杂。在许多情况下,深度学习框架在这些著名的技巧之外采取了额外的预防措施,来确保数值的稳定性。这使我们避免了在实践中从零开始编写模型时可能遇到的陷阱。