线性回归
二分类线性回归参考: https://blog.csdn.net/weixin_46310125/article/details/104267545
多分类问题需要用到softmax函数来计算概率
这次会用到pytorch的数据集fashionmnist
基本思路
1. 加载数据集
1.1 加载torchvision带有的数据集
1.2 用torch.utils中具有的功能去批量加载数据
2. 需要用到的函数
2.1 softmax函数
2.2 线性模型
2.3 交叉熵损失函数
2.4 梯度下降
3. 训练模型
3.1 初始化参数
3.2 批量加载训练数据, 注意维度
3.3 运用基本套路
3.4 用测试集去验证模型的性能
4. 可视化
4.1 用matplotlib去可视化
4.2 选取n个数据去可视化
导入需要用到的python库
import numpy as np
import matplotlib.pyplot as plt
import torch
import torchvision
import torchvision.transforms as transforms
train 即是否为训练集
download 是否要下载, 如果没有下载的话可以改为True
totensor会将数据集转为tensor
# 加载数据集
# 训练集
mnist_train = torchvision.datasets.FashionMNIST(root='/home/kesci/input/FashionMNIST2065',
train=True,
download=False,
transform=transforms.ToTensor())
# 测试集
mnist_test = torchvision.datasets.FashionMNIST(root='/home/kesci/input/FashionMNIST2065',
train=False,
download=False,
transform=transforms.ToTensor())
和本文上面的基本思路顺序有点调动, 但是思路还是原因的
# 初始化参数
# 输入维度
input_shape = 28 * 28
# 输出维度
output_shape = 10
# 初始化w
np.random.seed(0)
w = torch.tensor(np.random.normal(0, 0.001, (input_shape, output_shape)),
dtype=torch.float,
requires_grad=True)
# 初始化b
b = torch.zeros(output_shape,
dtype=torch.float,
requires_grad=True)
# 初始化超参数
lr = 0.1
batch_size = 256
epochs =