独热编码:
逻辑回归的类别我们使用独热编码,独热编码是一个向量,有几个类别该向量就有多长,我们将类别对应的分量设置为1,其他所有分量设置为0。
激活函数:softmax
softmax用于多分类过程中,它将多个神经元的输出,映射到(0,1)区间内,可以看成概率来理解,从而来进行多分类!
假设我们有一个数组,V,Vi表示V中的第i个元素,那么这个元素的softmax值就是
交叉熵损失函数:
在分类问题中,我们使用的是交叉熵损失函数,而不是均方误差,均方误差是用来计算连续值的损失函数,理由如下:
对比交叉熵和均方误差损失,可以发现,两者均在y^=y=1时取得最小值0,但在实践中y^py^p只会趋近于1而不是恰好等于1,在y^p<1的情况下,
- 交叉熵只与label类别有关,y^py^p越趋近于1越好
- 均方误差不仅与y^py^p有关,还与其他项有关,它希望y^1,…,y^p−1,y^p+1,…,y^Ky^1,…,y^p−1,y^p+1,…,y^K越平均越好,即在1−y^pK−11−y^pK−1时取得最小值
分类问题中,对于类别之间的相关性,我们缺乏先验。
在这个前提下,均方误差损失可能会给出错误的指示,比如猫、老虎、狗的3分类问题,label为[1,0,0],在均方误差看来,预测为[0.8,0.1,0.1]要比[0.8,0.15,0.05]要好,即认为平均总比有倾向性要好,但这有悖我们的常识。
而对交叉熵损失,既然类别间复杂的相似度矩阵是难以量化的,索性只能关注样本所属的类别,只要y^py^p越接近于1就好,这显示是更合理的。
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)
# 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
# nn.Flatten()把数据变成二维的
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
# 初始化参数
def init_weights(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights)
loss = nn.CrossEntropyLoss()
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
# 训练
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)