目录
1 我们使用上面中引入的Fashion-MNIST数据集，并设置数据迭代器的批量大小为256。
5 预测值和真实值中，预测值准确的个数，即y_hat和y相同元素个数
图片分类数据集
我们使用Fashion-Mnist数据集：不同于MNIST手写数据集，Fashion-MNIST数据集包含了10个类别的图像，分别是：t-shirt（T恤），trouser（牛仔裤），pullover（套衫），dress（裙子），coat（外套），sandal（凉鞋），shirt（衬衫），sneaker（运动鞋），bag（包），ankle boot（短靴）。
1 导入包
%matplotlib inline
import torch
import torchvision #对于计算机视觉一些模型实现的库
from torch.utils import data #读取数据
from torchvision import transforms #对数据操作
from d2l import torch as d2l
d2l.use_svg_display() #用svg显示图片
2 使用框架自带的函数去 下载这个数据集
mnist_train是训练数据集，_test是测试数据集用于测试结果好坏。
train=true代表的是下载的训练数据集。transform=trans表示需要编程tensor的格式而不是图片。download表示从网上下载。
通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式
并除以255使得所有像素的数值均在0到1之间
trans = transforms.ToTensor()
mnist_train = torchvision.datasets.FashionMNIST(root="C:\\Users\\10611\\Desktop\\data",train=True,transform=trans,download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="C:\\Users\\10611\\Desktop\\eulerdata",train=False,transform=trans,download=True)
len(mnist_train), len(mnist_test)
训练和测试数据集分别有60000和10000个图片
mnist_train[0][0].shape
第0个样例：torch的tensor类型，1表示rgb为1（即黑白图片）。28*28大小
3 定义两个函数来画这个数据集
这个数据集包括的lable固定即： ‘t-shirt’, ‘trouser’, ‘pullover’, ‘dress’, ‘coat’, ‘sandal’, ‘shirt’,
‘sneaker’, ‘bag’, ‘ankle boot’等。
def get_fashion_mnist_labels(labels): #@save
"""返回Fashion-MNIST数据集的文本标签。"""
text_labels = [
't-shirt', 'trouser', 'pullover', 'dress', 'coat', 'sandal', 'shirt',
'sneaker', 'bag', 'ankle boot']
return [text_labels[int(i)] for i in labels]
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
"""Plot a list of images."""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
return axes
利用dataloader拿出一个固定批量大小的数据（可见上一节），并且画出这个图片：
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));
4 读取一个小批量数据
batch_size = 256
def get_dataloader_workers(): #@save 只是返回一个4的函数
"""使用4个进程来读取数据。"""
return 4
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers())
timer = d2l.Timer() #
for X, y in train_iter:
continue
f'{timer.stop():.2f} sec' #扫一遍小批量中的数据的时间
5
def load_data_fashion_mnist(batch_size, resize=None): #@save
"""下载Fashion-MNIST数据集，然后将其加载到内存中。"""
trans = [transforms.ToTensor()]
if resize:
trans.insert(0, transforms.Resize(resize))
trans = transforms.Compose(trans)
mnist_train = torchvision.datasets.FashionMNIST(root="C:\\Users\\10611\\Desktop\\data",
train=True,
transform=trans,
download=True)
mnist_test = torchvision.datasets.FashionMNIST(root="C:\\Users\\10611\\Desktop\\data",
train=False,
transform=trans,
download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False,
num_workers=get_dataloader_workers()))
softmax回归简洁实现
1 导入包
import torch
from torch import nn
from d2l import torch as d2l
batch_size = 256 #小批量
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) #取出训练数据和测试数据到相应迭代器中
2 构造模型
nn.Flatten()：将任何维度的tensor变成一个二维的tensor
sequential容器可以理解为list of layer
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
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
def init_weights(m):
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights);
3 交叉熵函数计算loss损失
loss = nn.CrossEntropyLoss()
4 使用学习率为0.1作为优化函数
#优化函数
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
5 跑10次
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
softmax回归从零开始实现
1 我们使用上面中引入的Fashion-MNIST数据集，并设置数据迭代器的批量大小为256。
创建一个训练和测试的迭代器（train_iter, test_iter）
import torch
from IPython import display
from d2l import torch as d2l
batch_size = 256 #每次取256张图片作为一个小批量
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
2 将一个二维图片的矩阵拉成一个一维的向量
num_inputs = 784 #输出维度：图片是28*28的矩阵，拉长之后就是784
num_outputs = 10 #因为模型有10个类别（短袖鞋子啥的），所以输出维度为10
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True) #参数初始化
b = torch.zeros(num_outputs, requires_grad=True) #偏移量的初始化
知识点复习：矩阵求和
X = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
X.sum(0, keepdim=True), X.sum(1, keepdim=True)
dim=0就是按照列来求和，keepdim=True代表最后加出来还是保持一个二维向量的形式（此例中为2维向量）
3 定义回归函数
首先是计算式子的定义：
注：exp(X)为求e^X
def softmax(X):
X_exp = torch.exp(X)
partition = X_exp.sum(1, keepdim=True)
return X_exp / partition # 这里应用了广播机制
然后是回归模型：Y=XW+b
其中X输入是一个矩阵（256（批量大小）784（图片向量）），即每次取256个已经转化成向量（784）的图片。W是一个78410
def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
如何理解w为78410，x为256784？
我们每轮取一批（256个）图片来训练，每次取一个图片作为输入，输出为10个，所以网络模型应该为这样：
4 交叉熵损失函数
关于交叉熵损失函数：L=−[ylog y^+(1−y)log (1−y^)]
def cross_entropy(y_hat, y): #y_hat为预测，y为真实值
return -torch.log(y_hat[range(len(y_hat)), y])
cross_entropy(y_hat, y)
矩阵小知识：
y = torch.tensor([0, 2]) #创建一个长度为2的向量
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]]) #
y_hat[[0, 1], y]
或者这样理解：
o=torch.tensor([[1,2,3],[4,5,6]])
o[[0,1],[2,2]]
输出的是o矩阵中第(0,2)和(1,2)的元素
5 预测值和真实值中，预测值准确的个数，即y_hat和y相同元素个数
def accuracy(y_hat, y): #@save
"""计算预测正确的数量。"""
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1: #见下方解释
y_hat = y_hat.argmax(axis=1) #找出y_hat中每行最大的数的索引号
cmp = y_hat.type(y.dtype) == y #将y_hat和y进行比对，返回一个bool类型给cmp
return float(cmp.type(y.dtype).sum()) #最后将cmp求和就是y_hat和y中相同元素个数
accuracy(y_hat, y) / len(y) #正确的比例的计算
y_hat如果是一个二维张量，y_hat.shape输出的就是一个一维张量，张量中有两个元素 i，j，分别表示行和列数。那么此时的len(y_hat.shape)就等于2。所以 if len(y_hat.shape) > 1 and y_hat.shape[1] > 1的意思是：如果y_hat是一个二维张量并且列数大于一（即不是一个列一维张量或行一维张量）
y_hat.type(y.dtype)表示格式转换
6 评估任意net（不太懂？）
def evaluate_accuracy(net, data_iter): #@save
"""计算在指定数据集上模型的精度。"""
if isinstance(net, torch.nn.Module):
net.eval() # 将模型设置为评估模式
metric = Accumulator(2) # 正确预测数、预测总数
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
class Accumulator: #@save
"""在n个变量上累加。"""
def __init__(self, n):
self.data = [0.0] * n
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]
evaluate_accuracy(net, test_iter)
类就是一个模板，模板里可以包含多个函数，函数里实现一些功能
7 回归训练
手动的和nn模具都可用
updater 是更新模型参数的常用函数，它接受批量大小作为参数。它可以是封装的d2l.sgd函数，也可以是框架的内置优化函数。
Pytorch中用来优化模型权重的类是 torch.optim.Optimizer, 其他各种我们所熟知的优化器都是Optimizer这个基类的 子类。torch.optim是一个实施各种优化算法的包。已经支持了大多数常见优化方法，并且这些接口足够通用，以便于以后能够非常容易的集成更复杂的优化算法。
关于isinstance就是用来判断是否属于相同类型
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）。"""
# 如果是nn模具 将模型设置为训练模式
if isinstance(net, torch.nn.Module):
net.train()
# 训练损失总和、训练准确度总和、样本数
metric = Accumulator(3)长度为3的一个迭代器来累加
for X, y in train_iter: #扫一遍数据
# 计算梯度并更新参数
y_hat = net(X) #求出预测值
l = loss(y_hat, y) #求出损失
if isinstance(updater, torch.optim.Optimizer): # 使用PyTorch内置的优化器和损失函数
updater.zero_grad() ##梯度设为0
l.backward() #计算梯度
updater.step() #对参数进行自更新
metric.add(
float(l) * len(y), accuracy(y_hat, y),
y.size().numel())
else: # 使用定制的优化器和损失函数
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
return metric[0] / metric[2], metric[1] / metric[2] # 返回训练损失和训练准确率
这里定义了一个可视化的动画来进行绘图，和主要代码关系不大
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)
8 训练函数
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
"""训练模型（定义见第3章）。"""
animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
legend=['train loss', 'train acc', 'test acc']) #可视化动画
for epoch in range(num_epochs): #扫num_epoch遍
train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
test_acc = evaluate_accuracy(net, test_iter) #在测试数据集上面评估精度
animator.add(epoch + 1, train_metrics + (test_acc,)) #动画上显示
train_loss, train_acc = train_metrics
assert train_loss < 0.5, train_loss
assert train_acc 0.7, train_acc
assert test_acc 0.7, test_acc
小批量梯度下降来优化模型的损失函数
lr = 0.1 #学习率为0.1
def updater(batch_size):
return d2l.sgd([W, b], lr, batch_size)
开始训练
num_epochs = 20
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
9 预测
def predict_ch3(net, test_iter, n=6): #@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)]
d2l.show_images(X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
predict_ch3(net, test_iter)
Original: https://blog.csdn.net/echo_gou/article/details/119277499
Author: echo_gou
Title: 【笔记】动手学深度学习- softmax回归（逻辑回归）
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/630171/
转载文章受原作者版权保护。转载请注明原作者出处！