【动手学深度学习Pycharm实现4】Softmax的从0开始实现

前言

李沐大神源代码是用Jupyter写的，笔者想用Pycharm实现并仅作为学习笔记，如有侵权，请联系笔者删除。

---

一、背景

Softmax跟前面的线性回归模型一样，是一个非常重要的模型，也是所有深度模型的基础，这也是沐神为什么建议我们从0开始实现，了解Softmax的所有细节。

二、代码如下

python版本：3.8.6
torch版本：1.11.0
d2l版本：0.17.5

import torch
from IPython import display
from d2l import torch as d2l

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

num_inputs = 784
num_outputs = 10
W = torch.normal(0,0.01,size=(num_inputs, num_outputs),requires_grad=True)
b = torch.zeros(num_outputs,requires_grad=True)

def softmax(X):
    X_exp = torch.exp(X)
    partition = X_exp.sum(1, keepdim=True)  # 输入的X为矩阵，所以就是对矩阵每一行做Softmax，所以参数是1

    return X_exp / partition  # 运用了广播机制

X = torch.normal(0, 1, (2, 5))
X_prob = softmax(X)
print(X_prob)
print(X_prob.sum(1))

def net(X):
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
    """
    -1表示batch_size，因为SGD每次取batch_size个大小的数据进行
    前面定义过batch_size大小，所以X经过reshape之后这里就是 X(256×784) 乘 W(784×10) 加 b（通过广播机制）
    得到一个256×10的矩阵，表示256张图片10个类别的打分，最后经过Softmax将得分转为概率/置信度
    """

X = torch.normal(0, 1, (2, 5))
print(X)
print(X + 1)

# （下面是示例，搞懂交叉熵怎么计算的）拿出预测（向量）中，真实样本y下标对应的值，运行看结果就懂了
y = torch.tensor([0,2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
print(y_hat[[0, 1], y])

# 实现交叉熵损失函数
def cross_entropy(y_hat, y):
    return -torch.log(y_hat[range(len(y_hat)), y])  # log以自然数e为底

# 将预测类别与真实y元素进行比较
def accuracy(y_hat, y):
    """计算预测正确的数量"""
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        y_hat = y_hat.argmax(axis=1)  # 在y_hat的每一行中提取最大概率的下标
    cmp = y_hat.type(y.dtype) == y  # y_hat每一行中若与y下标相同，则记为1，否则为0
    return  float(cmp.type(y.dtype).sum()) # 计算总和，即所有的1都加起来，就是预测正确的数量

print(accuracy(y_hat, y))

class Accumulator:
    """在'n'个变量上累加"""
    def __init__(self, n):
        self.data = [0.0] * n

    def add(self, *args):
        self.data = [a + float(b) for a, b in zip(self.data, args)]

    def reset(self):
        self.data = [0.0] * len(self.data)

    def __getitem__(self, idx):
        return self.data[idx]


def evaluate_accuracy(net, data_iter):
    """计算在指定数据集上模型的精度"""
    if isinstance(net, torch.nn.Module):
        net.eval()   # 将模型转化为评估模式(输入数据只用于评估，不做反向传播)
    metric = Accumulator(2)
    for X, y in data_iter:
        metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

#下面的代码可以查看上面函数运行结果
#if __name__=='__main__':
#   print(evaluate_accuracy(net, test_iter))

def train_epoch_ch3(net, train_iter, loss, updater):  # 训练一个epoch，ch3表示d2l第三章课程，没有其他意思
    if isinstance(net, torch.nn.Module):
        net.train()
    metric = Accumulator(3)
    for X, y in train_iter:
        y_hat = net(X)
        l = loss(y_hat, y)
        if isinstance(updater, torch.optim.Optimizer): # 如果updater是torch中自带优化器（就是梯度下降）
            updater.zero_grad()
            l.backward()
            updater.step()
            metric.add(float(l) * len(y), accuracy(y_hat, y), y.size().numel())
        else :
            l.sum().backward()
            updater(X.shape[0]) # X.shape[0]就是batch_size大小
            metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())

    # metric[0]: 所有损失总和    metric[1]: 预测正确数量      metric[2]: 样本总数
    return metric[0] / metric[2] , metric[1] / metric[2]

class Animator:
    """在动画中绘制数据"""
    def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
                 ylim=None, xscale='linear', yscale='linear',
                 fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,
                 figsize=(3.5, 2.5)):
        # 增量地绘制多条线
        if legend is None:
            legend = []
        d2l.use_svg_display()
        self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)
        if nrows * ncols == 1:
            self.axes = [self.axes, ]
        # 使用lambda函数捕获参数
        self.config_axes = lambda: d2l.set_axes(
            self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
        self.X, self.Y, self.fmts = None, None, fmts

    def add(self, x, y):
        # 向图表中添加多个数据点
        if not hasattr(y, "__len__"):
            y = [y]
        n = len(y)
        if not hasattr(x, "__len__"):
            x = [x] * n
        if not self.X:
            self.X = [[] for _ in range(n)]
        if not self.Y:
            self.Y = [[] for _ in range(n)]
        for i, (a, b) in enumerate(zip(x, y)):
            if a is not None and b is not None:
                self.X[i].append(a)
                self.Y[i].append(b)
        self.axes[0].cla()
        for x, y, fmt in zip(self.X, self.Y, self.fmts):
            self.axes[0].plot(x, y, fmt)
        self.config_axes()
        display.display(self.fig)
        display.clear_output(wait=True)

def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
    """训练模型（定义见第3章）"""
    animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
                        legend=['train loss', 'train acc', 'test acc'])
    for epoch in range(num_epochs):
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        test_acc = evaluate_accuracy(net, test_iter)
        animator.add(epoch + 1, train_metrics + (test_acc,))
    d2l.plt.show()  # 这里显示最终结果图，动图不太会，感觉也不是很有必要，哈哈
    train_loss, train_acc = train_metrics

lr = 0.1

def updater(batch_size):
    return d2l.sgd([W, b], lr, batch_size)

num_epoch = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epoch, updater)

def predict_ch3(net, test_iter, n=6):
    """预测标签"""
    for X, y in test_iter:
        break
    trues = d2l.get_fashion_mnist_labels(y)
    preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
    titles = [true + '\n' +pred for true, pred in zip(trues, preds)]
    d2l.show_images(X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
    d2l.plt.show()

predict_ch3(net, test_iter)

三、运行结果如下

1.下图是训练效果图，迭代次数epoch=10，loss损失不断减少，最终测试精度在80%以上，没有用卷积还算可以了，。

2.测试结果，上面是真实类别，下面是预测类别。