Практическое глубокое обучение 3.6 — реализация регрессии Softmax вручную

PyTorch

Это пятый день моего участия в ноябрьском испытании обновлений, подробности о мероприятии:Вызов последнего обновления 2021 г.

import torch
from IPython import display
from d2l import torch as d2l

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

Установите размер мини-пакета на 256 и прочитайте итератор набора данных.

num_inputs = 784
num_outputs = 10
#初始化为均值为0，方差为0.1的张量
W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)
  • num_inputsКартинка в наборе данных 28*28, количество каналов 1, преобразование во входной вектор 784
  • num_outputsНа выходе десять классификаций, а выходной вектор равен 10.
def softmax(X):
    X_exp = torch.exp(X)
    partition = X_exp.sum(1, keepdim=True) # 按照每行求和，保持维度不变
    return X_exp / partition  # 这里用到了广播机制

определить софтмакс

softmax(X)ij=exp⁡(Xij)∑kexp⁡(Xik).\mathrm{softmax}(\mathbf{X})_{ij} = \frac{\exp(\mathbf{X}_{ij})}{\sum_k \exp(\mathbf{X}_{ik})}.
def net(X):
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

Определите модель.


def cross_entropy(y_hat, y):
    return - torch.log(y_hat[range(len(y_hat)), y])

Определение потери перекрестной энтропии

l(y,y^)=−∑j=1qyjlog⁡y^j.l(\mathbf{y}, \hat{\mathbf{y}}) = - \sum_{j=1}^q y_j \log \hat{y}_j.
def accuracy(y_hat, y): 
    # y_hat维度>1并且多余一行
    if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
        y_hat = y_hat.argmax(axis=1) 
    cmp = y_hat.type(y.dtype) == y  
    return float(cmp.type(y.dtype).sum())

Эта функция используется для вычисления и возврата количества правильных прогнозов.

  • argmax()Выньте значение индекса, соответствующее самому большому элементу.В это время y_hat был преобразован в вектор значения индекса самого большого элемента
  • cmp — логическое значение, сравните y_hat и y в это время, чтобы увидеть точность прогноза.
  • Наконец, преобразуйте тип данных cmp в тип данных y, то есть преобразуйте true false of bool в 1 0, а затем просуммируйте, чтобы вычислить общее количество правильных прогнозов и вернуть результат.
  • accuracy(y_hat, y) / len(y)Разделите на общее число y, чтобы найти точность
class Accumulator:  
    """在`n`个变量上累加。"""
    def __init__(self, n):
        self.data = [0.0] * n # 初始化列表，长度为n

    def add(self, *args):
        self.data = [a + float(b) for a, b in zip(self.data, args)]

    def reset(self):
        self.data = [0.0] * len(self.data)

    def __getitem__(self, idx):
        return self.data[idx]

Класс Accumulator предназначен для реализации аккумулятора. Наложение входящих данных каждый раз.

  • *argsИспользование: Когда количество входящих параметров неизвестно, и вам не нужно знать имя параметра
    • Поскольку длина инициализации неопределенна, поэтомуaddДлина параметра также неопределенна
    • но выполнитьaddЕсли вы хотите убедиться, что количество входящих параметров иnТакой же
def evaluate_accuracy(net, data_iter):
    if isinstance(net, torch.nn.Module):# 判断类型
        net.eval()  
    metric = Accumulator(2)  # 正确预测数、预测总数 共两个
    for X, y in data_iter:
        metric.add(accuracy(net(X), y), y.numel())
    return metric[0] / metric[1]

Вычисляет точность модели для указанного набора данных.

  • net.eval()Установите модель в режим оценки
  • accuracy(net(X), y)Рассчитать правильное количество образцов
  • y.numel()общее количество образцов

Оцените и сложите каждую партию, чтобы найти всю сумму.

def updater(batch_size):
    return d2l.sgd([W, b], lr, batch_size)

Этот sgd представляет собой функцию обновления весов и параметров вручную, реализованную в версии 3.2.

def train_epoch_ch3(net, train_iter, loss, updater):  #@save
    """训练模型一个迭代周期（定义见第3章）。"""
    # 将模型设置为训练模式
    if isinstance(net, torch.nn.Module):
        net.train()
    # 训练损失总和、训练准确度总和、样本数
    metric = Accumulator(3)
    for X, y in train_iter:
        # 计算梯度并更新参数
        y_hat = net(X)
        l = loss(y_hat, y)
        if isinstance(updater, torch.optim.Optimizer):
            # 使用PyTorch内置的优化器和损失函数
            updater.zero_grad()
            l.backward()
            updater.step()
            metric.add(float(l) * len(y), accuracy(y_hat, y),
                       y.size().numel())
        else:
            # 使用定制的优化器和损失函数
            l.sum().backward()
            updater(X.shape[0])
            metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
    # 返回训练损失和训练准确率
    return metric[0] / metric[2], metric[1] / metric[2]

# ch3即第三章的训练函数
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):  #@save
    """训练模型。"""
    for epoch in range(num_epochs):
        train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
        test_acc = evaluate_accuracy(net, test_iter)
    train_loss, train_acc = train_metrics
    assert train_loss < 0.5, train_loss
    assert train_acc <= 1 and train_acc > 0.7, train_acc
    assert test_acc <= 1 and test_acc > 0.7, test_acc
  • assert : используется для оценки выражения и запуска исключения, когда условие выражения ложно.
lr = 0.1
    
num_epochs = 10 
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)

В нем были визуальные результаты, но я их удалил.

Категории