深度学习(PyTorch)——多分类问题(Softmax Classifier)
B站up主“刘二大人”视频 笔记
这节课的内容,主要是两个部分的修改:
一是数据集:直接采用了内置的MNIST的数据集,那dataloader和dataset自然也是内置的,那也就不用自己写dataset再去继承Dataset类;
再有是把train和test写成了函数形式,直接在main函数当中调用即可;
除了本节课想要实现的代码,刘老师在本节课前一半讲了这些内容:
下了很大功夫讲清楚了softmax这个函数的机理:y_pred = np.exp(z) / np.exp(z).sum();
还有交叉熵损失函数是什么一回事,非常流畅简洁地给我讲懂了这个公式的意思:loss = (- y * np.log(y_pred)).sum();
根据这两个函数的理论,用numpy的计算法则把公式实现了,之后才去调用了pytorch当中写好了的函数;
还强调了NLL-Loss的概念,并且留了思考题,为什么会:CrossEntropyLoss <==> LogSoftmax + NLLLoss?
到了pytorch当中,里面有Softmax和Softmax_log两个函数版本;
程序如下:
import torch
from torchvision import transforms # 该包主要是针对图像进行处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim # 优化器的包
# prepare dateset
batch_size = 64
transforms = transforms.Compose([transforms.ToTensor(), # 把输入的图像转变成张量 通道*宽度*高度,取值在(0,1)
transforms.Normalize((0.1307,), (0.3081,))]) # 归一化,0.1307均值和0.3081方差
train_dataset = datasets.MNIST(root='../dataset/mnist/',
train=True,
download=True,
transform=transforms)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/',
train=False,
download=True,
transform=transforms)
test_loader = DataLoader(train_dataset,
shuffle=False,
batch_size=batch_size)
# design model using class
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512) # 输入维度784,输出维度521
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) # -1其实就是自动获取mini_batch,view可以改变张量的形状,输入层拿到了n*784的矩阵
x = F.relu(self.l1(x)) # 用relu对每一层算出的结果进行激活
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,这些工作交给交叉熵损失负责
model = Net()
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss() # 构造损失函数,交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5) # 构造优化器 lr为学习率,momentum为冲量来优化训练过程
# training cycle forward, backward, update
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
# 获得一个批次的数据和标签
inputs, target = data
optimizer.zero_grad()
# 获得模型预测的结果(64,10)
outputs = model(inputs)
# 交叉熵代价函数outputs(64,10),targe(64)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
if batch_idx % 300 == 299: # 300次迭代输出一次loss
print('[%d, %5d] loss:%.3f' % (epoch+1, batch_idx+1, running_loss/300))
running_loss = 0.0
def test(): # 不需要反向传播,只需要正向的
correct = 0
total = 0
with torch.no_grad(): # 不需要计算梯度
for data in test_loader:
images, labels = data
outputs = model(images)
_, predicted = torch.max(outputs.data, dim=1) # dim=1 列是第0个维度,行是第1个维度,返回值是每一行最大值和每一行最大值下标
total += labels.size(0) #labels.size是一个(N,1)的元组,labels.size(0)=N
correct += (predicted == labels).sum().item() # 张量之间的比较运算,然后求和取标量
print('accuracy on test set:%d %% ' % (100*correct/total))
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()
运行结果如下:
视频截图如下:
最后一层不激活,直接给交叉熵损失
book_bbyuan: 写的不够通俗
Wyan--: 比如从升余弦滤波器上采到的数值所组成的,是一个对称且中心为1的序列
墨影清泉: 具体是什么序列呢
Wyan--: 请问复杂序列在matlab中如何进行谱分解得到B(z)
墨影清泉: 参考数字信号处理理论,算法与实现(第三版)胡广书编著。现代信号处理教程(第二版)胡广书编著