ハンズオン学習pytorch - （2）ソフトマックスと分類モデル

　　あまりにも多くのコンテンツは、重要な話を拾います。

　　通常、数値的に離散カテゴリを表明分類問題では、ここでは2つの問題があります。出力値の1.適用範囲は、値の重要性を判断することは困難で、不確定です。2.タグは、個別実数値、測定が困難離散値および不確定の出力値の範囲との間の誤差です。

　　ソフトマックスオペレータは両方の問題を解決します。これは、出力値と正の値と確率分布となります。

 

　　分類問題のために、機能は、サンプルB、C出力、単層完全接続ネットワークは、次いで、（重量）W B *はB（偏差）は、Cが存在すると仮定する。

　　データベクトル計算の少量を作るために、多くの場合、計算効率を改善するために。ソフトマックス回帰ベクトルの計算式は次の通りです。

 

　　次のように、クロスエントロピー損失関数の損失を計算します。

 

 

 

 

 　　

　　最後に、簡単なソフトマックス実装の話：

輸入トーチ
 からトーチ輸入NN
 から torch.nn 輸入のinit
 輸入のNPとしてnumpyの
 輸入SYS
sys.path.append（" /ホーム/ kesci /入力" ）
 輸入D2Lとしてd2lzh1981
 からコレクションのインポートOrderedDict

BATCH_SIZE = 256 
train_iter、test_iter = d2l.load_data_fashion_mnist（BATCH_SIZE）

num_inputs = 784 
num_outputs = 10

クラスLinearNet（nn.Module）：
     デフ __init__ （自己、num_inputs、num_outputs）：
        スーパー（LinearNet、自己）。__init__ （）
        self.linear = nn.Linear（num_inputs、num_outputs）
     DEFフォワード（自己、X）： ＃X的形状：（バッチ、1、28、28） 
        Y = self.linear（x.view（x.shape [0] 、-1 ））
         戻りY

クラスFlattenLayer（nn.Module）：
     デフ __init__ （自己）：
        スーパー（FlattenLayer、自己）。__init__ （）
     デフ前方（自己、X）： ＃X的形状：（バッチ、*、*、...）
        の戻り x.view（x.shape [0]、-1 ）

ネット = nn.Sequential（
        ＃FlattenLayer（）、 
        ＃LinearNet（num_inputs、num_outputs）
        OrderedDict（[
           （' フラット化' 、FlattenLayer（））、
           （' 線形' 、nn.Linear（num_inputs、num_outputs））]）

init.normal_（net.linear.weight、平均 = 0、STD = 0.01 ）
init.constant_（net.linear.bias、ヴァル = 0）

損失 = nn.CrossEntropyLoss（）
オプティマイザ = torch.optim.SGD（net.parameters（）、LR = 0.1 ）
num_epochs = 5

d2l.train_ch3（ネット、train_iter、test_iter、損失、num_epochs、BATCH_SIZE、なし、なし、オプティマイザ）

 

 プラットフォームからの抜粋。