8_Softmax Classifier

传送门：09.多分类问题_哔哩哔哩_bilibili

这是softmax那层的函数，保证每一个输出都是正数，并且和为1
loss = np.exp(z)/np.exp(z).sum()  这是对应的损失函数
神经网络最后一步不用做激活，而PyTorch已经提供了一个包含softmax和计算loss的CrossEntropyLoss
与之对应的限制，必须保证y是一个longTensor

Python在读取图像时，会读取[0,255]，但是神经网络对[0,1]分布训练效果最好,所以我们要把他转化成[0,1]的tensor
用transforms的ToTensor来实现

计算图如下：

 

import torch
from torchvision import transforms  # 图像处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F     # 包含relu
import torch.optim as optim         # 优化器


# 全连接神经网络
# 准备数据集
batch_size = 64
transform = transforms.Compose([
    transforms.ToTensor(),                  # 1.转变成Tensor张量 
    transforms.Normalize((0.1307,),(0.3081))# 2.转化为[0,1]的浮点数 均值，标准差，是对MNIST数据集计算过后得到的经验值
])

train_dataset = datasets.MNIST(root=r'D:\set', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
test_dataset = datasets.MNIST(root=r'D:\set', train=False, download=True, transform=transform)
test_loader = DataLoader(test_dataset, shuffle=False, batch_size=batch_size)


# 构造模型 
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其实就是自动获取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，不进行非线性变换
    
model = Net()

# 损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

# 把一轮循环封装到一个函数里
def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        # 获得一个批次的数据和标签
        inputs, target = data
        optimizer.zero_grad()             # 清零不能忘记    
        # 获得模型预测结果(64, 10)
        outputs = model(inputs)
        # 交叉熵代价函数outputs(64,10),target（64）
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()
 
        running_loss += loss.item()       # 记得item,否则会构建计算图
        # 每三百轮输出一次
        if batch_idx % 300 == 299:
            print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))
            running_loss = 0.0

# 定义一个测试函数
def test():
    correct = 0
    total = 0
    with torch.no_grad():   # 下面不需要计算
        for data in test_loader:  # 拿数据
            images, labels = data
            outputs = model(images) # 得到一个n行10列的矩阵
            _, predicted = torch.max(outputs.data, dim=1) # dim = 1 列是第0个维度，行是第1个维度 返回最大值和最大值下标两个量
            total += labels.size(0)
            correct += (predicted == labels).sum().item() # 张量之间的比较运算
    print('accuracy on test set: %d %% ' % (100*correct/total))

    
if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()