刘二大人《PyTorch深度学习实践》p9多分类问题

一、零碎知识点

1.LongTensor长整形张量

torch.LongTensor是一种用于表示整数类型的张量（tensor）。

2.transform结构及用法

from torchvision import transforms

transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))  # 归一化
    # 均值0.1307 标准差0.3081
])

• transforms.Compose函数
  将多个转换操作组合成一个序列（pipeline），并按顺序依次对数据进行转换。
• transforms.ToTensor()
  这个操作将图像数据从原始的PIL.Image对象转换为torch.Tensor对象，将图像数据的像素值从范围0-255缩放到范围0-1之间。
• transforms.Normalize()
  这个操作对图像数据进行归一化处理，MNIST手写数据集其均值为0.1307，标准差为0.3081。归一化操作通过减去均值，并将结果除以标准差来完成。

二、预备知识

1.Softmax激活函数

Softmax是一种常用的激活函数，常用于多类别分类问题中。
Softmax函数将原始的实数向量转换为表示概率分布的向量，使每个元素的取值范围≥0，并且所有元素的和等于1。

Softmax函数的定义如下：

对于输入向量 $\mathbf{z}=(z_1,z_2,\dots ,z_{k-1})$，Softmax函数对应的输出向量 $\mathbf{y}=(y_1,y_2,\dots ,y_n)$ 的计算公式为：

$$y_i=\frac{e^{z_i}}{{\sum }_{j=0}^{k-1}{e}^{z_j}}$$

其中，$e$ 是自然对数的底。 $y_i$ 表示输入向量 $\mathbf{z}$ 属于类别 $i$ 的概率。
举例：

2.NLLLoss损失函数

NLLLoss（Negative Log Likelihood Loss）负对数似然损失是PyTorch中用于多类别分类问题的损失函数。
计算公式如下：
$$Loss(Y,\hat{Y})=-Y\log \hat{Y}$$

3.CrossEntropyLoss()

CrossEntropyLoss是PyTorch中的一个损失函数，常用于多分类问题的训练中。它结合了Softmax激活函数和负对数似然损失(NLLLoss)，能够同时计算预测类别的概率分布和真实标签之间的差异。（好狠，直接包含1和2两个功能）

举例：
我们给出两组预测Y_pred1,Y_pred2：

import torch

criterion = torch.nn.CrossEntropyLoss()
Y = torch.LongTensor([2, 0, 1])

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)
print("Batch Loss2 = ", l2.data)

损失越小表示模型的预测结果与真实标签之间的差异越小，即预测越准确。

4.随堂练习CrossEntropyLoss vs NLLLoss

学习链接：
CrossEntropyLoss
NLLLoss

CrossEntropyLoss是包括softmax激活函数和NLLLoss函数的一种损失函数。
NLLLoss用于测量模型预测的概率分布与真实标签之间的差异。
如果模型的输出已经经过log_softmax函数处理，或者你手动对模型输出进行log_softmax处理，可以使用NLLLoss，取决于咱们的具体需求。

三、课程代码

1.函数名问题导致的运行错误

照着老师的代码打的一直运行不成功，test这个函数名得改一下


修改：

2.课程代码

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

batch_size = 64
transform = transforms.Compose([
    transforms.ToTensor(),
    transforms.Normalize((0.1307,), (0.3081,))  # 归一化
    # 均值0.1307 标准差0.3081
])

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=True,
                         batch_size=batch_size)


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)
        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)


model = Net()

criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)


def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        inputs, target = data
        optimizer.zero_grad()

        outputs = model(inputs)
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if batch_idx % 300 == 299:
            print('[%d %5d]loss:%.3f' % (epoch + 1, batch_idx + 1, running_loss / 300))
            running_loss = 0.0


def practice():
    correct = 0
    total = 0
    with torch.no_grad():
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    print('Accuracy on test set:%d %%' % (100 * correct / total))


if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        practice()