PyTorch深度学习实践 第9讲 多分类问题
B站--刘二大人《PyTorch深度学习实践》完结合集 09.多分类问题
PPT 链接: 网盘 提取码:cxe4
1.10分类如何设计神经网络
- 10分类-->10个输出,所有元素的概率≥0,且相加=1
- 网络前 些层用sigmoid函数,最后输出前需要用softmax函数,使输出结果为概率
- a
- Pytorch中有交叉熵损失函数,其中包含softmax_log函数, 因此不需要添加激活函数
- 如果使用NLLLoss,则需要最后一层先进行softmax处理,在进行log
!DO
- What are the differences?
- Reading the document:
https://pytorch.org/docs/stable/nn.html#crossentropylosso
https://pytorch.org/docs/stable/nn.html#nllloss
- Try to know why:
CrossEntropyLoss <==> LogSoftmax + NLLLoss
代码实现
123+4(training cycle+Test)
import torch
from torchvision import transforms #transforms对图像进行处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F #用relu进行激活
import torch.optim as optim #优化器包
# prepare dataset
batch_size = 64
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) # 将图像转换成图像张量,归一化,均值0.1307和方差0.3081,
#compose[]:把[]中的数据组合起来,串联多个图片变换的操作,具体是对图像进行各种转换操作,并用函数compose将这些转换操作组合起来;
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=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)
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
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) # 最后一层不做激活,不进行非线性变换
model = Net()
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# 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()
# 获得模型预测结果(64, 10)
outputs = model(inputs)
# 交叉熵代价函数outputs(64,10),target(64)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item() #取计算值
if batch_idx % 300 == 299:
print('[%d, %5d] loss: %.3f' % (epoch+1, batch_idx+1, running_loss/300))
running_loss = 0.0
def test():
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)
#torch.max的返回值有两个,第一个是每一行的最大值是多少,第二个是每一行最大值的下标(索引)是多少
# dim = 1 列是第0个维度,行是第1个维度
total += labels.size(0)
correct += (predicted == labels).sum().item() # 张量之间的比较运算,之后求和
print('accuracy on test set: %d %% ' % (100*correct/total))
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()
参考链接:
Pytorch 深度学习实践 第9讲--刘二大人_刘二大人多分类问题_NCUTer的博客-CSDN博客
CSDN-Ada助手: 算法 技能树或许可以帮到你:https://edu.csdn.net/skill/algorithm?utm_source=AI_act_algorithm
简单简单小白: 《PyTorch 深度学习实践 第3讲 梯度下降算法》大佬非常清晰的分析思路给我带来了很多收获,希望大佬持续创造,我们共同学习
CSDN-Ada助手: 恭喜您撰写了第15篇博客!对MySQL函数的介绍让我受益匪浅。希望您能继续保持创作的热情,也期待您能在未来的博客中加入一些实际案例或者应用场景,这样更能帮助读者理解和运用MySQL函数。谢谢您的分享,期待您的下一篇作品!
CSDN-Ada助手: 恭喜您写了第12篇博客!标题为“2.MySQL基本操作”。您的创作速度令人钦佩,而且内容非常实用。希望您能继续保持这样的创作热情和努力,给读者带来更多有价值的知识。下一步,我建议您可以探索一些高级的MySQL操作技巧,或者分享一些实际案例中的问题解决方案,这将进一步丰富您的博客内容。谢谢您的分享!
CSDN-Ada助手: 恭喜您撰写了第13篇博客,标题为“3.MySQL约束”。阅读了您的文章后,我深感您对MySQL约束的理解和掌握能力。您的文章内容清晰明了,给读者提供了很好的学习参考。希望您能继续保持创作的热情,分享更多关于MySQL的知识。在下一步的创作中,或许您可以探讨一些高级的约束技巧,或是与其他数据库系统的约束进行比较分析。谢谢您的分享,期待您的下一篇文章!