소프트 맥스와 분류 모델
제로 달성 소프트 맥스
import torch
import torchvision
import numpy as np
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l
print(torch.__version__)
print(torchvision.__version__)
훈련 데이터와 테스트 데이터 세트를 가져옵니다
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, root='/home/kesci/input/FashionMNIST2065')
모델 초기화 파라미터
num_inputs = 784
print(28*28)
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)
784
W.requires_grad_(requires_grad=True)
b.requires_grad_(requires_grad=True)
텐서 ([0., 0은 0이 0이 0이 0이 0이 0이 0이 0]으로는 requires_grad = TRUE)
차원 다차원 텐서 운영
X = torch.tensor([[1, 2, 3], [4, 5, 6]])
print(X.sum(dim=0, keepdim=True)) # dim为0,按照相同的列求和,并在结果中保留列特征
print(X.sum(dim=1, keepdim=True)) # dim为1,按照相同的行求和,并在结果中保留行特征
print(X.sum(dim=0, keepdim=False)) # dim为0,按照相同的列求和,不在结果中保留列特征
print(X.sum(dim=1, keepdim=False)) # dim为1,按照相同的行求和,不在结果中保留行特征
tensor([[5, 7, 9]])
tensor([[ 6],
[15]])
tensor([5, 7, 9])
tensor([ 6, 15])
정의 softmax를 작동
def softmax(X):
X_exp = X.exp()
partition = X_exp.sum(dim=1, keepdim=True)
# print("X size is ", X_exp.size())
# print("partition size is ", partition, partition.size())
return X_exp / partition # 这里应用了广播机制
X = torch.rand((2, 5))
X_prob = softmax(X)
print(X_prob, '\n', X_prob.sum(dim=1))
텐서 ([0.2253, 0.1823, 0.1943, 0.2275, 0.1706]
[0.1588, 0.2409, 0.2310, 0.1670, 0.2024])
텐서 ([1.0000, 1.0000])
softmax를 회귀 모델
def net(X):
return softmax(torch.mm(X.view((-1, num_inputs)), W) + b)
정의 손실 함수
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))
텐서 ([0.1000]
[0.5000])
def cross_entropy(y_hat, y):
return - torch.log(y_hat.gather(1, y.view(-1, 1)))
의 정확성 정의
우리의 모델 교육은 모델 예측, 우리는 여기에 정의 된 정확한 속도를 사용할 때 끝났습니다.
def accuracy(y_hat, y):
return (y_hat.argmax(dim=1) == y).float().mean().item()
print(accuracy(y_hat, y))#0.5
# 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
print(evaluate_accuracy(test_iter, net))#0.1445
훈련자
num_epochs, lr = 5, 0.1
# 本函数已保存在d2lzh_pytorch包中方便以后使用
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:
d2l.sgd(params, lr, batch_size)
else:
optimizer.step()
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)
0.791 ACC 에포크 1 손실 0.7851, 0.750 ACC 열차 시험
0.810 ACC 에포크 2 손실 0.5704, 0.814 ACC 열차 시험
0.819 ACC 에포크 3 손실 0.5258, 0.825 ACC 열차 시험
에포크 4 손실 0.5014, 0.832 ACC 기차, 테스트 ACC 0.824
시대 5, 손실 0.4865, 0.836 ACC 기차, 0.827 ACC 테스트
모델을 예측
이제 우리의 모델 훈련 결국 우리는 훈련의 정확한 모델이 정확하지있을 것으로 예상 할 수 끝났습니다. 이제 우리는 이미지를 분류하는 방법을 표시 할 수 있습니다. 일련의 이미지 (이미지 출력의 세 번째 줄)을 감안할 때, 우리는 그들의 진정한 라벨 (텍스트 출력의 첫 번째 줄) 및 모델 예측 (텍스트 출력의 두 번째 줄)를 비교합니다.
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])
softmax를 간단하게 실현
# 加载各种包或者模块
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
print(torch.__version__)
초기화 파라미터, 데이터 취득
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, root='/home/kesci/input/FashionMNIST2065')
네트워크 모델을 정의
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
# net = LinearNet(num_inputs, num_outputs)
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)
from collections import OrderedDict
net = nn.Sequential(
# FlattenLayer(),
# LinearNet(num_inputs, num_outputs)
OrderedDict([
('flatten', FlattenLayer()),
('linear', nn.Linear(num_inputs, num_outputs))]) # 或者写成我们自己定义的 LinearNet(num_inputs, num_outputs) 也可以
)
모델 초기화 파라미터
init.normal_(net.linear.weight, mean=0, std=0.01)
init.constant_(net.linear.bias, val=0)
함유 파라미터 :
텐서 ([. 0, 0. 0. 0. 0. 0. 0. 0. 0. 0.] requires_grad는 = TRUE)
정의 손실 함수
loss = nn.CrossEntropyLoss() # 下面是他的函数原型
# class torch.nn.CrossEntropyLoss(weight=None, size_average=None, ignore_index=-100, reduce=None, reduction='mean')
정의 최적화 기능
optimizer = torch.optim.SGD(net.parameters(), lr=0.1) # 下面是函数原型
# class torch.optim.SGD(params, lr=, momentum=0, dampening=0, weight_decay=0, nesterov=False)
훈련
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)
0.795 ACC 에포크 1 손실 0.0031, 0.751 ACC 열차 시험
0.809 ACC 에포크 2 손실 0.0022, 0.813 ACC 열차 시험
0.806 ACC 에포크 3 손실 0.0021, 0.825 ACC 열차 시험
에포크 4 손실 0.0020, 0.833 ACC 기차, 테스트 ACC 0.813
시대 5, 손실 0.0019, 0.837 ACC 기차, 0.822 ACC 테스트