刘二大人 PyTorch深度学习实践 笔记 P9 多分类问题
刘二大人 PyTorch深度学习实践 笔记 P9 多分类问题
- P9 多分类问题
-
- 1、softmax函数
- 2、作业：CrossEntropyLoss vs NULLoss
-
- I NLLLoss损失函数
- II CrossEntropyLoss损失函数
- III 举例
- 3、应用在MINIST数据集
-
- I 实现过程
- II 实现代码
- 5、作业
P9 多分类问题
1、softmax函数
糖尿病数据集分类为0和1，MNIST数据集有10个分类怎么办？输出时输出10个y？
神经网络希望输出之间是带有竞争性的，即所有概率之和为1，且所有概率均大于0，softmax可以实现这两点。
图中绿色框中就是指包括softmax的计算过程：
2、作业：CrossEntropyLoss vs NULLoss
I NLLLoss损失函数
代码实现如下：
import numpy as np
y = np.array([1, 0, 0])
z = np.array([0.2, 0.1, -0.1])
y_pred = np.exp(z) / np.exp(z).sum()
loss = (- y * np.log(y_pred)).sum()
print(loss)
输出：
0.9729189131256584
II CrossEntropyLoss损失函数
CrossEntropyLoss损失函数 = Softmax + NLLLoss损失函数
神经网络的最后一层不需要做激活(经过Softmax层的计算)，直接输入到CrossEntropyLoss损失函数中就可以。
代码实现如下：
import torch
y = torch.LongTensor([0]) # 使用了one-hot，标签类型是LongTensor
z = torch.Tensor([[0.2, 0.1, -0.1]])
criterion = torch.nn.CrossEntropyLoss()
loss = criterion(z, y)
print(loss)
输出：
tensor(0.9729)
III 举例
import torch
criterion = torch.nn.CrossEntropyLoss()
# Y表示第几个标签分类
Y = torch.LongTensor([2, 0, 1]) # 注意此处是LongTensor
Y_pred1 = torch.Tensor([[0.1, 0.2, 0.9],
[1.1, 0.1, 0.2],
[0.2, 2.1, 0.1]])
Y_pred2 = torch.Tensor([[0.8, 0.2, 0.3],
[0.2, 0.3, 0.5],
[0.2, 0.2, 0.5]])
l1 = criterion(Y_pred1, Y)
l2 = criterion(Y_pred2, Y)
print("Batch Loss1 = ", l1.data, "\nBatch Loss2 = ", l2.data)
输出：
Batch Loss1 = tensor(0.4966)
Batch Loss2 = tensor(1.2389)
3、应用在MINIST数据集
I 实现过程
- 准备数据集
- 设计模型
- 构造损失函数和优化器
- 训练+测试(前馈、反馈、更新)
II 实现代码
import torch
from torchvision import transforms # transforms针对图像进行一些处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F # relu激活函数
import torch.optim as optim # 优化器
# 1. 准备数据集
batch_size = 64
# 读图像的时候 将像素转化成图像张量
transform = transforms.Compose([
transforms.ToTensor(),
# 均值 标准差 => 切换到0-1正态分布
transforms.Normalize((0.1307, ), (0.3081, )) # 数值计算之后得到的结果
])
# 在视觉里面，灰度图就是一个矩阵，但实际上并不是一个矩阵，我们把它叫做单通道图像，彩色图像是RGB三通道图像，通道有宽度和高度，一般我们读进来的图像张量是WHC(宽高通道)
# 在PyTorch里面我们需要将WHC转化成CWH,把通道放在前面是为了在PyTorch里面进行更高效的图像处理，卷积运算
train_dataset = datasets.MNIST(root='dataset/mnist/',
train=True,
download=True,
transform=transform)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset = datasets.MNIST(root='dataset/mnist',
train=False,
download=True,
transform=transform)
test_loader = DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size)
# 2. 设计模型
# 设计模型
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256, 128)
self.l4 = torch.nn.Linear(128, 64)
self.l5 = torch.nn.Linear(64, 10)
def forward(self, x):
x = x.view(-1, 784) # 变成二阶张量，-1表示自动算batchsize，列数为784
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x))
return self.l5(x) # 最后一层不做激活，不进行非线性变换
model = Net()
# 3. 构建损失函数和优化器
# 构建损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# 4. 训练+测试
# 定义训练函数
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
inputs, target = data
optimizer.zero_grad()
# 前馈+反馈+更新
outputs = model(inputs)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
# 每300次迭代输出一次
if batch_idx % 300 == 299:
print('[%d,%5d] loss:%.3f' % (
epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
# 定义测试函数
def test():
correct = 0
total = 0
with torch.no_grad(): # 不会再去计算梯度
for data in test_loader:
images, labels = data
outputs = model(images)
# 沿着第一维度找最大值的下标
_, predicted = torch.max(outputs.data, dim=1) # _ 是占位符，表示有值，但是用不着
total += labels.size(0) # (N, 1)取第0个元素N
correct += (predicted == labels).sum().item()
print('Accuracy on test set:%d %%' % (100 * correct / total))
# 实例化训练和测试
if __name__ == '__main__':
# 训练10轮
for epoch in range(10):
train(epoch)
test()
输出：
[1, 300] loss:2.256
[1, 600] loss:1.102
[1, 900] loss:0.432
Accuracy on test set:89 %
[2, 300] loss:0.331
[2, 600] loss:0.279
[2, 900] loss:0.238
Accuracy on test set:93 %
[3, 300] loss:0.198
[3, 600] loss:0.180
[3, 900] loss:0.158
Accuracy on test set:95 %
[4, 300] loss:0.137
[4, 600] loss:0.124
[4, 900] loss:0.119
Accuracy on test set:96 %
[5, 300] loss:0.102
[5, 600] loss:0.101
[5, 900] loss:0.093
Accuracy on test set:96 %
[6, 300] loss:0.083
[6, 600] loss:0.072
[6, 900] loss:0.078
Accuracy on test set:97 %
[7, 300] loss:0.063
[7, 600] loss:0.060
[7, 900] loss:0.064
Accuracy on test set:97 %
[8, 300] loss:0.047
[8, 600] loss:0.052
[8, 900] loss:0.054
Accuracy on test set:97 %
[9, 300] loss:0.040
[9, 600] loss:0.040
[9, 900] loss:0.042
Accuracy on test set:97 %
[10, 300] loss:0.030
[10, 600] loss:0.031
[10, 900] loss:0.035
Accuracy on test set:97 %
损失不断降低，准确率高达97%，但是到最后准确率就上不去了，是因为对图像用全连接神经网络忽略了对局部信息的利用，把所有的元素都全连接了，处理时权重不够高，处理图像时更关心高级别的特征。
如果可以先做特征提取，再做分类训练，效果可能会好些。
人工特征(wavelet )提取方法：FFT傅里叶变换、小波变化
自动特征提取：CNN
5、作业
代码：
# 导入依赖库
import pandas as pd
import numpy as np
import torch
from torch.utils.data import Dataset
from torch.utils.data import DataLoader
import torch.optim as optim
# 数据预处理
# 定义函数将类别标签转为id表示，方便后面计算交叉熵
def labels2id(labels):
target_id = [] # 给所有target建立一个词典
target_labels = ['Class_1','Class_2','Class_3','Class_4','Class_5','Class_6','Class_7','Class_8','Class_9'] #自定义9个标签
for label in labels: # 遍历labels中的所有label
target_id.append(target_labels.index(label)) #添加label对应的索引项到target_labels中
return target_id
class OttogroupDataset(Dataset): # 准备数据集
def __init__(self, filepath):
data = pd.read_csv(filepath)
labels = data['target']
self.len = data.shape[0] # 多少行多少列
# 处理特征和标签
self.x_data = torch.tensor(np.array(data)[:, 1:-1].astype(float)) # 1:-1 左闭右开
self.y_data = labels2id(labels)
def __getitem__(self, index): # 魔法方法 支持dataset[index]
return self.x_data[index], self.y_data[index]
def __len__(self): # 魔法函数 len() 返回长度
return self.len
#载入训练集
train_dataset = OttogroupDataset('dataset/otto-group/train.csv')
#建立数据加载器
train_loader= DataLoader(dataset=train_dataset, batch_size=64, shuffle=True, num_workers=0)
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(93, 64) # 93个feature
self.l2 = torch.nn.Linear(64, 32)
self.l3 = torch.nn.Linear(32, 16)
self.l4 = torch.nn.Linear(16, 9)
self.relu = torch.nn.ReLU() # 激活函数
def forward(self, x): # 正向传播
x = self.relu(self.l1(x))
x = self.relu(self.l2(x))
x = self.relu(self.l3(x))
return self.l4(x) # 最后一层不做激活，不进行非线性变换
def predict(self, x): # 预测函数
with torch.no_grad(): # 梯度清零 不累计梯度
x = self.relu(self.l1(x))
x = self.relu(self.l2(x))
x = self.relu(self.l3(x))
x = self.relu(self.l4(x))
# 这里先取出最大概率的索引，即是所预测的类别。
_, predicted = torch.max(x, dim=1)
# 将预测的类别转为one-hot表示，方便保存为预测文件。
y = pd.get_dummies(predicted)
return y
model = Net()
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr = 0.01, momentum=0.5) #冲量，冲过鞍点和局部最优
def train(epoch): # 单次循环 epoch决定循环多少次
running_loss = 0.0
for batch_idx, data in enumerate(train_loader):
inputs, target = data # 输入数据
inputs = inputs.float()
optimizer.zero_grad() # 优化器归零
# 前馈+反馈+更新
outputs = model(inputs)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item() # 累计的损失
if batch_idx % 300 == 299: # 每300轮输出一次
print('[%d,%5d] loss:%.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
if __name__ =='__main__':
for epoch in range(50):
train(epoch)
# 定义预测保存函数，用于保存预测结果。
def predict_save():
test_data = pd.read_csv('dataset/otto-group/test.csv')
test_inputs = torch.tensor(np.array(test_data)[:, 1:].astype(float)) # test_data是series，要转为array；[1:]指的是第一列开始到最后，左闭右开，去掉‘id’列
out = model.predict(test_inputs.float()) # 调用预测函数，并将inputs 改为float格式
# 自定义新的标签
labels = ['Class_1', 'Class_2', 'Class_3', 'Class_4', 'Class_5', 'Class_6',
'Class_7', 'Class_8', 'Class_9']
# 添加列标签
out.columns = labels
# 插入id行
out.insert(0, 'id', test_data['id'])
output = pd.DataFrame(out)
output.to_csv('my_predict.csv', index=False)
return output
predict_save()