學了本文你能學到什麼?僅供學習,如有疑問,請留言。。。
注:紅色是小結, 紫色是重點,能像被課文一樣背誦
目錄
小結
可以使用softmax迴歸做多類別分類。與訓練線性迴歸相比,你會發現訓練softmax迴歸的步驟和它非常相似:獲取並讀取數據、定義模型和損失函數並使用優化算法訓練模型。
事實上,絕大多數深度學習模型的訓練都有着類似的步驟。
PyTorch提供的函數往往具有更好的數值穩定性。
可以使用PyTorch更簡潔地實現softmax迴歸。
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("..")
import d2lzh_pytorch as d2l
# 3.7.1 獲取和讀取數據
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 3.7.2 定義和初始化模型
"""
softmax迴歸的輸出層是一個全連接層,所以我們用一個線性模塊就可以了。
因爲前面我們數據返回的每個batch樣本x的形狀爲(batch_size, 1, 28, 28), 所以我們要先用view()將x的形狀轉換成(batch_size, 784)才送入全連接層。
"""
num_inputs = 784
num_outputs = 10
class LinearNet(nn.Module):
def __init__(self, num_inputs, num_outputs):
super(LinearNet, self).__init__()
self.linear = nn.Linear(num_inputs, num_outputs)
def forward(self, x): # x shape: (batch, 1, 28, 28)
y = self.linear(x.view(x.shape[0], -1))
return y
net = LinearNet(num_inputs, num_outputs)
#變形
class FlattenLayer(nn.Module):
def __init__(self):
super(FlattenLayer, self).__init__()
def forward(self, x): # x shape: (batch, *, *, ...)
return x.view(x.shape[0], -1)
"然後,我們使用均值爲0、標準差爲0.01的正態分佈隨機初始化模型的權重參數。"
init.normal_(net.linear.weight, mean=0, std=0.01)
init.constant_(net.linear.bias, val=0)
#3.7.3 softmax和交叉熵損失函數
"PyTorch提供了一個包括softmax運算和交叉熵損失計算的函數。它的數值穩定性更好。"
loss = nn.CrossEntropyLoss()
# 3.7.4 定義優化算法
"我們使用學習率爲0.1的小批量隨機梯度下降作爲優化算法。"
optimizer = torch.optim.SGD(net.parameters(), lr=0.1)
# 3.7.5 訓練模型
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)