用PyTorch实现linear模型
模拟数据集
num_inputs = 2 #feature number
num_examples = 1000 #训练样本个数
true_w = torch.tensor([[2],[-3.4]]) #真实的权重值
true_b = torch.tensor(4.2) #真实的bias
samples = torch.normal(0,1,(num_examples,num_inputs))
noise = torch.normal(0,0.01,(num_examples,1))
labels = samples.matmul(true_w) + true_b + noise
定义模型
class LinearNet(nn.Module):
def __init__(self,in_features):
super().__init__()
self.fc = nn.Linear(in_features=2,out_features=1)
def forward(self,t):
t = self.fc(t)
return t
加载数据集
import torch.utils.data as Data
dataset = Data.TensorDataset(samples,labels)#类似于zip，把两个张量打包
data_loader = Data.DataLoader(dataset,batch_size=100,shuffle=True)
optimizer
network = LinearNet(2)
optimizer = optim.SGD(network.paramters(),lr=0.05)
模型训练
for epoch in range(10):
total_loss = 0
for data,label in data_loader:
predict = network(data)
loss = F.mse_loss(predict,label)
total_loss += loss.item()
optimizer.zero_grad()
loss.backward()
optimizer.step()
print(
'epoch',epoch,
'loss',total_loss,
'weight',network.weight,
'bias',network.bias
)
softmax回归模型
sotfmax主要用于分类任务。regression最终得到的是一个scalar，根据input中的feature线性相加得到一个output。分类任务的结果是一个类别，是离散的。
假设现在有一批图片是2 * 2大小的灰度图片，这样图片中的每隔二像素用一个标量表示就行了。这批图片一种是三类小动物，第一类是小狗，第二类是小猫，第三类是小兔子。
每张图片总共4个像素点，我们可以看作是4个feature，假设这三类小动物的图片线性可分，每一类对应一组weight和一个bias。
可以根据输出值较大的来决定哪一类，可这样有个问题，首先输出值没有明确的意义，且可能是实数范围。其次，不好衡量输出值与真实值之间的差距。所以采用softmax操作，将三个输出值转化成概率值，这样输出结果满足概率分布。label采用one-hot编码，相当于对应类别的概率是1，这样就可以用cross_entropy来计算loss。
Fashion-MNIST
本次学习softmax模型采用torchvision.datasets中的Fashion-MNIST。
import torchvision
import torchvision.transforms as transforms
train_set = torchvision.datasets.FashionMNIST(
root='./data',
train=True,
download=True,
transform=transforms.ToTensor()
)
transforms.ToTensor()将尺寸为（H x W x C）且数据位于（0，255）的PIL图片或者数据类型为np.uint8的NumPy数组转换为尺寸为C x H x W且数据类型为torch.float32且位于（0.0，1.0）的Tensor
len(train_set),len(test_set)
> (60000,10000)
展示一下数据集中的图片
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
for i,(image,lable) in enumerate(train_set,start=1):
plt.subplot(1,10,i)
plt.imshow(image.squeeze())
plt.title(train_set.classes[lable])
plt.axis('off')
if i == 10:
break
plt.show()
train_loader = torch.utils.data.DataLoader(train_set,batch_size=100,shuffle=True,num_workers=4)
test_loader = torch.utils.data.DataLoader(test_set,batch_size=100,shuffle=False,num_workers=1)
cross_entropy
def net(samples,w,b):
samples = samples.flatten(start_dim=1) #将c,h,w三个轴展成一个feature轴，长度为28 * 28
samples = torch.exp(samples)#全体元素取以e为底的指数
partial_sum = samples.sum(dim=1,keepdim=True)
samples = samples / partial_sum #归一化，得概率，这里还应用了广播机制
return samples.matmul(w) + b
i表示label对应的种类，pi为真实种类的预测概率，log是以e为底的对数
这里gather函数的作用，就是在predict上取到对应label的概率值，注意负号不能丢，pytorch中的cross_entropy对输入先进行一次softmax操作，以保证输入都是正的。
模型的实现
def net(samples,w,b):
samples = samples.flatten(start_dim=1) #将c,h,w三个轴展成一个feature轴，长度为28 * 28
samples = torch.exp(samples)#全体元素取以e为底的指数
partial_sum = samples.sum(dim=1,keepdim=True)
samples = samples / partial_sum #归一化，得概率，这里还应用了广播机制
return samples.matmul(w) + b
利用PyTorch简易实现softmax
import torch
import torchvision
import torch.nn as nn
import torch.nn.functional as F
import torch.utils.data as Data
import torchvision.transforms as transforms
import torch.optim as optim
import torch.nn.init as init
class SoftmaxNet(nn.Module):
def __init__(self,in_features,out_features):
super().__init__()
self.fc = nn.Linear(in_features=in_features,out_features=out_features)
def forward(self,t):
t = t.flatten(start_dim=1)
t = self.fc(t)
return t
train_set = torchvision.datasets.FashionMNIST(
root='E:\project\python\jupyterbook\data',
train=True,
download=True,
transform=transforms.ToTensor()
)
test_set = torchvision.datasets.FashionMNIST(
root='E:\project\python\jupyterbook\data',
train=False,
download=True,
transform=transforms.ToTensor()
)
train_loader = Data.DataLoader(
train_set,
batch_size=100,
shuffle=True,
#num_workers=2
)
test_loader = Data.DataLoader(
test_set,
batch_size=100,
shuffle=False,
#num_workers=2
)
@torch.no_grad()
def get_correct_nums(predict,labels):
return predict.argmax(dim=1).eq(labels).sum().item()
@torch.no_grad()
def evaluate(test_loader,net,total_num):
correct = 0
for image,label in test_loader:
predict = net(image)
correct += get_correct_nums(predict,label)
pass
return correct / total_num
network = SoftmaxNet()
optimizer = optim.SGD(network.parameters(),lr=0.05)
for epoch in range(10):
total_loss = 0
total_correct = 0
for image,label in train_loader:
predict = network(image)
loss = F.cross_entropy(predict,label)
total_loss += loss.item()
total_correct += get_correct_nums(predict,label)
optimizer.zero_grad()
loss.backward()
optimizer.step()
pass
print(
'epoch',epoch,
'loss',total_loss,
'train_acc',total_correct / len(train_set),
'test_acc',evaluate(test_loader,network,len(test_set))
)
以上就是pytorch深度学习softmax实现解析的详细内容，更多关于pytorch深度学习的资料请关注编程网其它相关文章！
