記事ディレクトリ
序文
ソフトマックス回帰は、多項または多カテゴリ ロジスティック回帰とも呼ばれ、多分類問題に対するロジスティック回帰を促進するものです。
1. トレーニング セットとテスト セット
前のセクションで取得したデータセット Fashion-MNIST を使用します。
2 つのステップ
1.ライブラリをインポートする
import torch
import torchvision
import numpy as np
import sys
sys.path.append("..") # 为了导入上层目录的d2lzh_pytorch
from d2lzh_pytorch import *
import d2lzh_pytorch as d2l
2. データの読み取り
batch_size =256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.load_data_fashion_mnist(batch_size)
この機能は、前回の講義で行った作業を 1 つの機能に統合することに相当します。
この関数は d2lzh パッケージに保存されていますdef load_data_fashion_mnist(batch_size, resize=None, root='~/Datasets/FashionMNIST') trans = [] if resize: trans.append(torchvision.transforms.Resize(size=resize)) #因为resize=None所以不会执行这一步 trans.append(torchvision.transforms.ToTensor()) #转化为tensor形式 transform = torchvision.transforms.Compose(trans) #读取图像 mnist_train = torchvision.datasets.FashionMNIST(root=root, train=True, download=True, transform=transform) #上一讲有说,下载训练集数据 mnist_test = torchvision.datasets.FashionMNIST(root=root, train=False, download=True, transform=transform) #上一讲有说,下载测试集数据 if sys.platform.startswith('win'): num_workers = 0 # 0表示不用额外的进程来加速读取数据 else: num_workers = 4 #设置4个进程读取数据 train_iter = torch.utils.data.DataLoader(mnist_train, batch_size=batch_size, shuffle=True, num_workers=num_workers) test_iter = torch.utils.data.DataLoader(mnist_test, batch_size=batch_size, shuffle=False, num_workers=num_workers) return train_iter, test_iter
以下は 2 番目の if ステートメントの説明です。
トレーニング データ セットでモデルをトレーニングし、テスト データ セットでトレーニングされたモデルのパフォーマンスを評価します。前述したように、mnist_train
これはtorch.utils.data.Dataset
サブクラスであるため、これを渡して、torch.utils.data.DataLoader
データ サンプルの小さなバッチを読み取る DataLoader インスタンスを作成できます。
実際には、特にモデルが比較的単純である場合やコンピューティング ハードウェアのパフォーマンスが高い場合には、データの読み取りがトレーニングのパフォーマンスのボトルネックになることがよくあります。PyTorch の DataLoader の便利な機能は、マルチプロセッシングを使用してデータの読み取りを高速化する機能です。ここでは、パラメータ num_workers を使用して、データを読み取る 4 つのプロセスを設定します。
3. モデルパラメータの初期化
num_inputs =784
num_outputs = 10
W = torch.tensor(np.random.normal(0, 0.01, (num_inputs,num_outputs)),
dtype=torch.float)
b = torch.zeros(num_outputs, dtype=torch.float)
W.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)
4. モデルを定義する
def softmax(X):
X_exp = X.exp()
partition = X_exp.sum(dim=1, keepdim=True)
return X_exp / partition
def net(X):
return softmax(torch.mm(X.view((-1, num_inputs)),W) + b)
X.exp()
eのX乗を返します
X_exp.sum(dim=1, keepdim=True)
torch.sum()
入力テンソル データの特定の次元を合計するには、同じ列 (dim=0) または同じ行 (dim=1) の要素を合計し、行と列の 2 つの次元を結果に保持する 2 つの方法があります。(keepdim=True)。
.mm()
行列の乗算は.view()
行列の形状を再定義します
5. 損失関数を定義する
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y = torch.LongTensor([0, 2])
y_hat.gather(1, y.view(-1, 1))
def cross_entropy(y_hat,y):
return - torch.log(y_hat.gather(1, y.view(-1,1)))
.LongTensor()
Longtensor 型に変換する
torch.gather(input, dim, index, out=None) → Tensor
返されるテンソルのサイズはインデックスのサイズと同じです。
dim は、index の要素値が表す次元を示すために使用されます。この機能を利用すると、指定した位置の要素を簡単に抽出することができます。(単一要素を抽出するのではなく、正方行列を抽出します)
6. 分類精度を計算する
def accuracy(y_hat,y):
return (y_hat.argmax(dim=1) == y).float().mean().item()
print(accuracy(y_hat, y))
.argmax(dim=1)
最大の数値のインデックスを返します
.item()
python import torch x = torch.randn(2, 2) print(x) print(x[1,1]) print(x[1,1].item()) tensor([[ 0.4702, 0.5145], [-0.0682, -1.4450]]) tensor(-1.4450) -1.445029854774475
item() は浮動小数点データを返すため、損失や精度を求める場合は、対応する要素 x[1, 1] 。
# 本函数已保存在d2lzh_pytorch包中方便以后使用。该函数将被逐步改进:它的完整实现将在“图像增广”一节中描述
def evaluate_accuracy(data_iter, net):
acc_sum, n = 0.0, 0
for X, y in data_iter:
acc_sum += (net(X).argmax(dim=1) == y).float().sum().item()
n += y.shape[0]
return acc_sum / n
7. トレーニングモデル
num_epochs, lr = 4, 0.1
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, batch_size, [W, b], lr)
train_ch3()
d2lzh パッケージに保存def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params=None, lr=None, optimizer=None): for epoch in range(num_epochs): train_l_sum, train_acc_sum, n = 0.0, 0.0, 0 for X, y in train_iter: y_hat = net(X) l = loss(y_hat, y).sum() # 梯度清零 if optimizer is not None: optimizer.zero_grad() elif params is not None and params[0].grad is not None: for param in params: param.grad.data.zero_() l.backward() if optimizer is None: sgd(params, lr, batch_size) else: optimizer.step() # “softmax回归的简洁实现”一节将用到 train_l_sum += l.item() train_acc_sum += (y_hat.argmax(dim=1) == y).sum().item() n += y.shape[0] test_acc = evaluate_accuracy(test_iter, net) print('epoch %d, loss %.4f, train acc %.3f, test acc %.3f' % (epoch + 1, train_l_sum / n, train_acc_sum / n, test_acc))
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, batch_size, [W, b], lr)
net モデル
train_iter トレーニング データ
test_iter テスト データ
loss 損失値
num_epochs トレーニング サイクル数
patch_size バッチ サイズ
params=[W, b] モデル パラメーター
lr step size
optimizer=None
8. 予報
X ,y = iter(test_iter).next()
true_labels = d2l.get_fashion_mnist_labels(y.numpy())
pred_labels = d2l.get_fashion_mnist_labels(net(X).argmax(dim=1).numpy())
titles = [true +'\n' + pred for true, pred in zip(true_labels, pred_labels)]
d2l.show_fashion_mnist(X[0:9], titles[0:9])
要約する
「実践ディープラーニング + PyTorch」3.6 ソフトマックス回帰をゼロから達成するまでの学習メモ