d2l中各种内定函数的笔记

Accumulator()类与train_epoch_ch3

  首先看一下类的定义:

class Accumulator:  #@save
    """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]

这里首先对类里面的函数进行说明,第一个[0.0] * n

这里的n对应的是Accumulator(n)里面这个传入的参数,如果传入3,则data变成[0,0,0]

对于add(self, *args) :这里的self是刚刚初始化self.data,*args接收非关键字的传参可以是元组,或者是字符串

对于打包操作,如下图所示

a = [0, 0, 0]
b = [3, 7, 1]
zip(a, b)
>>>[(0, 3), (0, 7), (0, 1)]

for i, j in zip(a, b):
    print(i, j)

>>>0 3
   0 7
   0 1

>>> zip(*zipped)          # 与 zip 相反,*zipped 可理解为解压,返回二维矩阵式
[(0, 0, 0), (1, 2, 3)]

  对应这个操作[a + float(b) for a, b in zip(self.data, args)],如上图返回值所示,a=0对应b=3,故第一项为3,其余返回值列表如下所示:

metric = Accumulator(3)
print(f'初始的metric.data:{metric.data}')
metric.add(3,7,1)
print(f'第1次调用add后,metric.data:{metric.data}')
metric.add(5,8,1)
print(f'第2次调用add后,metric.data:{metric.data}')
print(metric.data[0])

初始的metric.data:[0.0, 0.0, 0.0]
第1次调用add后,metric.data:[3.0, 7.0, 1.0]
第2次调用add后,metric.data:[8.0, 15.0, 2.0]
8.0

总结:这个metric = Accumulator(3)将原始metric.data设定为[0,0,0]3个量,应用在训练中时:

def train_epoch_ch3(net, train_iter, loss, updater): #@save
    """训练模型⼀个迭代周期(定义⻅第3章)"""
    # 将模型设置为训练模式
    if isinstance(net, torch.nn.Module):
        net.train()
    # 训练损失总和、训练准确度总和、样本数
    metric = Accumulator(3)
    for X, y in train_iter:
        # 计算梯度并更新参数
        y_hat = net(X)
        l = loss(y_hat, y)
        if isinstance(updater, torch.optim.Optimizer):
            # 使⽤PyTorch内置的优化器和损失函数
            updater.zero_grad()
            l.mean().backward()
            updater.step()
        else:
            # 使⽤定制的优化器和损失函数
            l.sum().backward()
            updater(X.shape[0])
        metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
    # 返回训练损失和训练精度
    return metric[0] / metric[2], metric[1] / metric[2]

训练函数中传入这三个数,分别表示从0开始依次[a,b,c],a为一个bs中的损失函数,b为一个bs中的预测正确的数量,c为一个bs中y标签向量中的总元素个数(等同于len(y)),由于一个X,y为一个bs,迭代完所有train_iter后,则三个数对应整个训练集中的数。

补充一下train_iter中定义完bs=32后每个X,y是什么:

train_iter, test_iter = load_data_fashion_mnist(32, resize=64)
for X, y in train_iter:
    print(X.shape, X.dtype, y.shape, y.dtype)
    break

>>>torch.Size([32, 1, 64, 64]) torch.float32 torch.Size([32]) torch.int64

你可能感兴趣的:(文件处理,深度学习,人工智能)