动手学习pytorch——（2）softmax和分类模型

　　内容太多，捡重要的讲。

　　在分类问题中，通常用离散的数值表示类别，这里存在两个问题。1.输出值的范围不确定，很难判断值的意义。2.真实标签是离散值，这些离散值与不确定的范围的输出值之间的误差难以衡量。

　　softmax运算符解决了这两个问题。它把输出值变成了值为正且和为1的概率分布。

　　对于一个分类问题，假设有a个特征，b个样本，c个输出，单层的全连接网络，那么有a*b个w（权重）,c个b（偏差）。

　　为了提升计算效率，常对小批量数据做矢量计算。softmax回归的矢量计算表达式如下。

　　计算loss用交叉熵损失函数，如下：

 

 　　

　　最后讲讲softmax的简洁实现：

import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l
from collections import OrderedDict

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

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 的形状: (batch, 1, 28, 28)
        y = self.linear(x.view(x.shape[0], -1))
        return y

class FlattenLayer(nn.Module):
    def __init__(self):
        super(FlattenLayer, self).__init__()
    def forward(self, x): # x 的形状: (batch, *, *, ...)
        return x.view(x.shape[0], -1)

net = nn.Sequential(
        # FlattenLayer(),
        # LinearNet(num_inputs, num_outputs) 
        OrderedDict([
           ('flatten', FlattenLayer()),
           ('linear', nn.Linear(num_inputs, num_outputs))]) 

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

loss = nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.1) 
num_epochs = 5

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

 代码摘自平台。