3.6. softmax回归的从零开始实现|简洁实现

• 从零开始
  0、下载数据集到内存
  1、初始化模型参数
  2、定义softmax
  3、定义模型
  4、定义损失函数
  5、计算分类精度，即正确的数量
  6、训练

from tkinter.tix import Y_REGION
from turtle import update
from pyparsing import nums
import torch
from IPython import display
from d2l import torch as d2l

# 0、下载数据集到内存
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# 1、初始化模型参数
num_inputs = 784 # 28 * 28的图像展开的像素数量
num_outputs = 10 # 分类后的类别数量

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

# 2、定义softmax
def softmax(X): # 假设X.shape [2,5]
    X_exp = torch.exp(X) # X_exp.shape [2, 5]
    partition = X_exp.sum(1, keepdim=True) # partition.shape [2, 1]
    return X_exp / partition # 广播机制 [2, 5] / [2, 1] -> [2, 5] / [2, 5]

# test
X = torch.normal(0, 1, (2, 5))
X_prob = softmax(X)
print(X_prob, X_prob.sum(1))
# 现在虽然看起来正确，但是矩阵中的非常大或非常小的元素可能造成数值上溢或下溢，这里没有采取措施来防止这点。

# 3、定义模型
def net(X):
    # 使用reshape函数将每张原始图像展平为向量，也就是28*28=784
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

# 4、定义损失函数
def cross_entropy(y_hat, y):
    # 公式是-y*log(y_hat)，其中y不是0就是1，只要记录y=1的那个类别的预测概率就行。
    return -torch.log(y_hat[range(len(y_hat)), y]) 
# y_hat[[row1, row2,...],[col1, col2,...]]里面有两个同长度的列表，相当于 [y_hat[row1,col1], y_hat[row2,col2]...]
# 假设y_hat包含2个样本在3个类别的预测概率， 以及它们对应的标签y。
# test
y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.3, 0.5]])
print(y_hat[[0, 1], y]) # 高级用法差点没把我整废
print('examples cross_entropy:',cross_entropy(y_hat, y) )

# 5、计算分类精度，即正确的数量
def accuracy(y_hat, y):
    # 如果y_hat是矩阵，那么假定第二个维度存储每个类的预测分数。 
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        # 使用argmax获得每行中最大元素的索引来获得预测类别
        y_hat = y_hat.argmax(axis=1)
    # 由于等式运算符“==”对数据类型很敏感， 因此我们将y_hat的数据类型转换为与y的数据类型一致。
    cmp = y_hat.type(y.dtype) == y
    return float(cmp.type(y.dtype).sum())
# test
print('examples accuracy rate:', accuracy(y_hat, y) / len(y))


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]

def evaluate_accuracy(net, data_iter):
    if isinstance(net, torch.nn.Module):
        net.eval() # 将模型设置为评估模式
    metric = Accumulator(2)  # 正确预测数、预测总数
    with torch.no_grad():
        for X, y in data_iter:
            metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

print('test accuracy rate:', evaluate_accuracy(net, test_iter))

# 6、训练
def train_epoch_ch3(net, train_iter, loss, updater):
    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:
        y_hat = net(X)
        l = loss(y_hat, y)
        if isinstance(updater, torch.optim.Optimizer):
            # 使用Pytorch提供的优化器和损失函数
            updater.zero_grad()
            l.mean().backward() 
            # pytorch的损失函数应该是求了sum的，再求mean()，看了李沐老师的视频，应该是为了让metric.add()统一写法。
            updater.step()
        else:
            l.sum().backward()
            updater(X.shape[0])
        metric.add(float(l.sum()), accuracy(y_hat, y), y.numel()) # 还是有些模糊
    # 返回训练损失和训练精度
    return metric[0] / metric[2], metric[1] / metric[2]

def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):  #@save
    """训练模型（定义见第3章）"""
    d2l.plt.ion() # 让VSCode可以显示图片加的；开启交互模式
    animator = d2l.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) # 放心，在测试用每个迭代后更新的权重预测结果时，用了torch.no_grad()，当前模型看不到测试集的数据。
        animator.add(epoch + 1, train_metrics + (test_acc,))
        d2l.plt.pause(0.2) # 暂停
    d2l.plt.ioff() # 关闭交互模式
    d2l.plt.show() # 阻塞模式，需要手动关闭才能运行下去
    train_loss, train_acc = train_metrics
    assert train_loss < 0.5, train_loss
    assert train_acc <= 1 and train_acc > 0.7, train_acc
    assert test_acc <= 1 and test_acc > 0.7, test_acc

lr = 0.1

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

num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
# 7、预测
def predict_ch3(net, test_iter, n=6):  #@save
    """预测标签（定义见第3章）"""
    for X, y in test_iter:
        break # 取出第一个批次的数据测试一下
    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)

运行结果：

test acc差不多0.83的准确率


画图代码参考Python matplotlib.pyplot 绘制动态图

• 简洁实现
  1、数据迭代器
  2、定义网络模型
  3、初始化参数
  4、定义损失函数，中有softmax了
  5、优化算法：更新参数的方法
  6、训练

import torch
from torch import nn
from d2l import torch as d2l
# 1、数据迭代器
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# 2、定义网络模型
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
# 先用nn.Flatten()来调整网络输入的形状，对应从零开始的.reshape()
# 3、初始化参数
def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights) # 将Linear层以均值0和标准差0.01随机初始化权重。

# 4、定义损失函数，中有softmax了
loss = nn.CrossEntropyLoss(reduction='none')
# nn.CrossEntropyLoss = nn.softmax + nn.log + nn.NLLLoss，也就是api自带的的交叉熵损失函数已经把softmax自动算了。
# 这里的loss后面参数要加reduction='none'，不然损失会求平均除256最后画图不显示
# reduction 该参数在新版本中是为了取代size_average和reduce参数的。
#    它共有三种选项'elementwise_mean'，'sum'和'none'。
#    'elementwise_mean'为默认情况，表明对N个样本的loss进行求平均之后返回(相当于reduce=True，size_average=True);
#    'sum'指对n个样本的loss求和(相当于reduce=True，size_average=False);
#    'none'表示直接返回n分样本的loss(相当于reduce=False)

# 5、优化算法：更新参数的方法
trainer = torch.optim.SGD(net.parameters(), lr = 0.1)

# 6、训练
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

运行结果：

没有看到loss线，看了下评论区：


试了不行，然后将torch.py中train_epoch_ch3函数中的对应部分改成从零开始时写的部分。

有了：