第九讲多分类问题的学习和源码
B站 刘二大人 教学视频 传送门:多分类问题
视频截图分析:
1、softmax的输入不需要再做非线性变换,也就是说softmax之前不需要激活函数(relu)。softmax的两个作用,若在进行softmax前的input有负数,通过指数变换,得到正数。所有类的概率求和为1。如下图的说法一致。
2、Softmax layer 如下图所示 内涵三个模块,由softmax进行综合运算如下图所示,在程序中,
多分类问题,标签y的类型是LongTensor。比如说0-9分类问题,如果y = torch.LongTensor([8]),对应的one-hot是[0,0,0,0,0,0,0,1,0,0].(这里要注意,如果使用了one-hot,标签y的类型是LongTensor,糖尿病数据集中的target的类型是FloatTensor)
3、y的标签编码方式是one-hot。我对于这种one-hot编码方式的简单理解,其实就是所有参位只有一个是1,其他位均是0(但是标签的one-hot编码是算法完成的,算法的输入仍为原始标签)
4、CrossEntropyLoss <==> LogSoftmax + NLLLoss。也就是说使用CrossEntropyLoss最后一层(线性层)是不需要做其他变化的;使用NLLLoss之前,需要对最后一层(线性层)先进行SoftMax处理,再进行log操作。
代码的一些说明:
①、with torch.no_grad()将不用计算的梯度的变量放在里面 torch.no_grad()用法
②、 torch.max(input, dim) 函数
output = torch.max(input, dim)
输入
input是softmax函数输出的一个tensor
dim是max函数索引的维度0/1,0是每列的最大值,1是每行的最大值
输出
函数会返回两个tensor,第一个tensor是每行的最大值,softmax的输出中最大的是1,
所以第一个tensor是全1的tensor;第二个tensor是每行最大值的索引。
③、_下划线有很多含义,而文中的下划线是有注释,它用于记录某一行最大值
多分类问题源码:
import torch
import matplotlib.pyplot as plt
#For constructing DataLoader
from torchvision import transforms,datasets
from torch.utils.data import DataLoader
#For using function relu()
import torch.nn.functional as F
#For constructing optimizer
import torch.optim as optim
import os
os.environ["KMP_DUPLICATE_LIB_OK"]='True'
batch_size = 64
transform = transforms.Compose([
#Convert the PLI Image to Tensor
transforms.ToTensor(),
#参数为平均值和标准值
transforms.Normalize((0.1307,),(0.3081,))
])
train_dataset = datasets.MNIST(root='../dataset/mnist/',
train=True,
download=True,
transform=transform
)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size
)
test_dataset = datasets.MNIST(root='../dataset/mnist/',
train=False,
download=True,
transform=transform)
test_loader = DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size
)
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1=torch.nn.Linear(784,512)
self.l2=torch.nn.Linear(512,256)
self.l3=torch.nn.Linear(256,128)
self.l4=torch.nn.Linear(128,64)
self.l5=torch.nn.Linear(64,10)
def forward(self, x):
x=x.view(-1, 784) #-1就是自动获取mini_batch
x=F.relu(self.l1(x))
x=F.relu(self.l2(x))
x=F.relu(self.l3(x))
x=F.relu(self.l4(x))
return self.l5(x)#最后一层不做激活,不进行非线性变化
model=Net()
#构建损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
#定义训练函数
def train(epoch):
running_loss=0.0
for batch_idx,data in enumerate(train_loader,0):
#获得一个批次得数据和标签
inputs,target=data
optimizer.zero_grad()
#forward+backward+update
#获得模型得预测值(64,10)
outputs=model(inputs)
#交叉熵代价函数outputs(64,10),rarget(64)
loss=criterion(outputs,target)
loss.backward()
optimizer.step()
running_loss +=loss.item()
if batch_idx % 300==299:
print('[%d,%5d] loss: %.3f' % (epoch+1,batch_idx+1,running_loss/300))
running_loss=0.0
accept_list=[]
epoch_list=[]
def test1():
correct=0
total=0
#不用计算梯度的变量放在里面
with torch.no_grad():
#拿样本做预测
for data in test_loader:
images,labels=data
outputs=model(images)
#返回两个 一个是每一行最大值是多少,一个是最大值下标多少
_,predicted=torch.max(outputs.data,dim=1)
total+=labels.size(0)
correct +=(predicted==labels).sum().item()
accept_list.append(100*correct /total)
print('accuracy on test set : %d %%' %(100*correct /total))
if __name__=='__main__':
for epoch in range(10):
train(epoch)
test1()
epoch_list.append(epoch)
plt.plot(epoch_list,accept_list)
plt.xlabel("epoch")
plt.rcParams['font.sans-serif'] = ['SimHei'] # 设置中文字体
plt.ylabel("成功率 单位为 %")
plt.show()
运行结果:
Files already downloaded
Files already downloaded
[1, 300] loss: 2.236
[1, 600] loss: 1.099
[1, 900] loss: 0.414
accuracy on test set : 90 %
[2, 300] loss: 0.315
[2, 600] loss: 0.268
[2, 900] loss: 0.233
accuracy on test set : 92 %
[3, 300] loss: 0.189
[3, 600] loss: 0.179
[3, 900] loss: 0.167
accuracy on test set : 95 %
[4, 300] loss: 0.138
[4, 600] loss: 0.134
[4, 900] loss: 0.120
accuracy on test set : 96 %
[5, 300] loss: 0.098
[5, 600] loss: 0.103
[5, 900] loss: 0.102
accuracy on test set : 96 %
[6, 300] loss: 0.079
[6, 600] loss: 0.081
[6, 900] loss: 0.081
accuracy on test set : 97 %
[7, 300] loss: 0.070
[7, 600] loss: 0.061
[7, 900] loss: 0.067
accuracy on test set : 97 %
[8, 300] loss: 0.048
[8, 600] loss: 0.059
[8, 900] loss: 0.054
accuracy on test set : 97 %
[9, 300] loss: 0.044
[9, 600] loss: 0.040
[9, 900] loss: 0.045
accuracy on test set : 97 %
[10, 300] loss: 0.033
[10, 600] loss: 0.033
[10, 900] loss: 0.036
accuracy on test set : 97 %
进程已结束,退出代码为 0
运行效果:
完结,如有错误敬请指正,感谢!