1、导入一些常用包
import torch
from IPython import display
from d2l import torch as d2l2、划分训练集的测试集
#定义一下小批量个数为256,取256张图片
batch_size = 256
#读取load_data_fashion_mnist中的数据，然后划分训练集和测试集,都取256张
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)# train_iter分为图片和真实值
next(iter(train_iter))[0].shape,next(iter(train_iter))[1].shape
#展示训练集的真实标签
next(iter(train_iter))[1]
#展示测试集的真实标签
next(iter(test_iter))[1]
3、生成w和b
#原本的图片是 28乘28一共有784个x 想象成一行方程 w总共有784个 然后还有一个b
num_inputs = 784
#输出的label刚好有10种
num_outputs = 10
#W （784,10）
#b 10 一维
#W和b都要对梯度更新
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)
#最后表示10行 785列的一个方程组W.shape
b.shape
X = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
# 0 是按列 1 是按行
X.sum(0, keepdim=True), X.sum(1, keepdim=True)
4、softmax函数
#softmax让所有数变成正数，有负数会影响判断
#softmax回归的输出值个数等于标签里的类别数，这里输出完得到0-1的一个数（向量）
def softmax(X):
#所有来个e，使得X_exp中的数为正数
X_exp = torch.exp(X)
#使得输出0-1取值 keepdim 保持输入输出维度一致
partition = X_exp.sum(1, keepdim=True)
#这里的广播机制是因为X_exp partition的维度不一致
return X_exp / partition # 这里应用了广播机制#展现一下softmax实际的效果
X = torch.normal(0, 1, (2, 5))
X_prob = softmax(X)
X_prob, X_prob.sum(1)
5、自定net()，返回0-1的置信度
#matmul代表的是矩阵之间的乘法 不是点乘
#X.reshape 256,784 W 784,10
#这里就开始计算输出，后面用softmax使其成为0-1
def net(X):
#X 256,1,28,28
#X.reshape((-1, W.shape[0])) (256,784) 将4维向量变为2维向量
#(torch.matmul(X.reshape((-1, W.shape[0])), W) (256,10)
#后面的b其实是(1，10) 这里运用广播机制 b变成（256，10）
#最后利用softmax 得到256行 10列 得到不同照片10的标签分别的置信度！！！！！！！！！
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
#这个表明预测的值
#前面[]表示第几个[]；后面的表示[]的第几个
y_hat[[0, 1], y]
y_hat
6、损失函数：交叉熵的计算！
#因为是分类问题，所以我们要使用交叉熵 -sum(ylog(y_hat))
#y_hat[range(len(y_hat))表明行数
#分类问题只有一个交叉熵可用，也就是y=1的交叉熵！！！！！！y=0的时候可以自己忽略
def cross_entropy(y_hat, y):
#这里的return返回的是-log预测标签的值，真实值逼近预测值！！
#这里-log保证交叉熵永远是正数
return - torch.log(y_hat[range(len(y_hat)), y])
cross_entropy(y_hat, y)
7、预测正确的数量
def accuracy(y_hat, y): #@save
"""计算预测正确的数量"""
#len(y_hat.shape)表示y_hat的行数 y_hat.shape[1]表示y_hat的列数
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
#经过softmax以后 10个预测值当中取最大值的下标存在y_hat中
#argmax(axis=1)取每行中最大的那个下标
#y_hat.type(y.dtype)将y_hat的类型转换成跟y一样的
#y_hat.type(y.dtype) == y 转换成布尔值
y_hat = y_hat.argmax(axis=1)
cmp = y_hat.type(y.dtype) == y
#float将布尔值转换为浮点数
return float(cmp.type(y.dtype).sum())
accuracy(y_hat, y) / len(y)
8、指定模型在指定数据集的精度
#用来评估在任意模型nel的准确率
#这里传入实际用的模型和数据迭代器，计算一下数据在模型上的精度
def evaluate_accuracy(net, data_iter): #@save
"""计算在指定数据集上模型的精度"""
#如果使用torch.nn.Module形成的模型，if是true进入下面的语句
if isinstance(net, torch.nn.Module):
net.eval() # 将模型设置为评估模式，评估模式不用计算梯度
#这边定义了一个metric,初始化为[0.0, 0.0]
metric = Accumulator(2) # 正确预测数、预测总数
with torch.no_grad():
for X, y in data_iter:
#net(X)算出0-1的预测值
#accuracy()得到正确分类的样本数，y.numel()样本总数
metric.add(accuracy(net(X), y), y.numel())
#return 返回正确分类样本数的比率
return metric[0] / metric[1]9、Accumulator的创建（随便看看）
#这个代码看一看__init__和add就好了
#这个是[[],[]]自己创了一个向量
class Accumulator: #@save
"""在n个变量上累加"""
def __init__(self, n):
self.data = [0.0] * n
# *args表示传入一个数组 zip表示((0,0),(1,2))然后变为 (0,1) (0,2)
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]#我们这里的net就是softmax得到的一些置信度，test_iter是测试集的一些数据
#显示的是正确分类的比例
evaluate_accuracy(net, test_iter)
10、一次训练集迭代
#传入定义好的模型（手动定义或者torch.nn）、训练集、损失函数(交叉熵)、
def train_epoch_ch3(net, train_iter, loss, updater): #@save
"""训练模型一个迭代周期（定义见第3章）"""
# 将模型设置为训练模式
#torch.nn神经网络
if isinstance(net, torch.nn.Module):
#开始训练,计算梯度
net.train()
# 训练损失总和、训练准确度总和、样本数
# 长度为3的累加器
metric = Accumulator(3)
for X, y in train_iter:
# 计算梯度并更新参数
#y_hat经过softmat的置信度
y_hat = net(X)
l = loss(y_hat, y)
#如果updater是torch.optim.Optimizer的话
if isinstance(updater, torch.optim.Optimizer):
# 使用PyTorch内置的优化器和损失函数
#梯度设为0
updater.zero_grad()
#计算梯度
l.mean().backward()
#更新一下
updater.step()
else:
# 使用定制的优化器和损失函数
#向量转换为标量
l.sum().backward()
#根据batch_size大小更新一下
updater(X.shape[0])
#返回cost fuction，精确度，样本总数
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
# 返回训练损失和训练精度
return metric[0] / metric[2], metric[1] / metric[2]11、这个动画函数随便看看
#动画这里有空去掌握一下，这里不是重点
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)
display.clear_output(wait=True)12、正式开始训练！
#这个是用来训练本次训练集的模型
#传入模型、训练集、测试集、损失函数、迭代次数、updater（sgd 小批量梯度下降）
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
"""训练模型（定义见第3章）"""
#可视化的套件忽略
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):
# 返回训练损失和训练精度
train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
#返回测试集的精度
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_acclr = 0.1
#小批量随机梯度下降优化损失函数
def updater(batch_size):
return d2l.sgd([W, b], lr, batch_size)num_epochs = 20
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
13、开始预测啦！！！！！
def predict_ch3(net, test_iter, n=20): #@save
"""预测标签（定义见第3章）"""
for X, y in test_iter:
break
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
#这里的reshape还是有点没懂
d2l.show_images(
X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
predict_ch3(net, test_iter)
883
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
