SOFTMAX回归模型

什么是SOFTMAX回归函数

·softmax回归跟线性回归⼀样将输⼊特征与权᯿做线性叠加
·与线性回归的⼀个主要不同在于，softmax回归的输出值个数等于标签⾥的类别数
·SOFTMAX是一个单层的神经网络
结构图如下：

运算过程如下：

即我们通过神经网络预测，然后得到相应的一个分数，此时我们希望我们得到的分数是一个概率：

此时我们就应该选取一个合适的方案，来将预测的分数来转化为标签的概率，那么最合适的肯定是softmax了，softmax公式：

即将得到的分数都进行exp，然后求每个标签占比(概率)，最终我们得到的是预测概率最大的标签：

很显然，我们只关注预测概率最大的标签（单标签预测）
总结了一下特性：
·结果都为正数：即将得分为负数的进行转化
·所有求和为1：所有概率相加等于1
·平移不变性：所有得分平移得到的结果不受影响
·最大–>最大：预测得分最大的概率也大

交叉熵损失函数

在这里我们使用的是交叉熵损失函数（Cross Entropy）

实现代码：

·导入包：

import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("..")
import d2lzh_pytorch as d2l

若出现没有‘d2lzh_pytorch’这个包，点击此处离线安装
·导入数据：

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

·定义网络：

num_inputs = 784
num_outputs = 10
class LinearNet(nn.Module):
    def __init__(self, num_inputs, num_outputs):
        super(LinearNet, self).__init__()
        self.linear = nn.Linear(num_inputs, num_outputs)
    def forward(self, x): # x shape: (batch, 1, 28, 28)
        y = self.linear(x.view(x.shape[0], -1))
        return y
 
net = LinearNet(num_inputs,num_outputs)

·初始化模型参数：

init.normal_(net.linear.weight, mean=0, std=0.01)
init.constant_(net.linear.bias, val=0)

·定义损失函数和优化器：

loss = nn.CrossEntropyLoss()

optimizer = torch.optim.SGD(net.parameters(), lr=0.1)

·训练：

num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs,batch_size, None, None, optimizer)