深度学习PytorchSoftmax回归

Softmax简介

Softmax回归是一个用于多类分类问题的线性模型，它是从Logistic回归模型演变而来的。Softmax回归与Logistic回归类似，但是输出不再是二元的，而是多类的。Softmax回归引入了softmax激活函数来将输出转换为合理的概率分布。与线性回归不同的是，Softmax回归的输出单元从⼀个变成了多个，因此Softmax回归的输入为向量。在图像识别问题中，Softmax回归可以计算输入图像属于每个类别的概率，最后预测出最可能所属的类别。

Softmax回归实现

Pyroch简洁实现一个softmax回归

简洁Softmax回归使用Pytorch提供的API进行实现，由于不需要手工实现求导，直接使用Pytorch的自动求导功能，节省了许多代码。

# 定义softmax模型
class Net(nn.Module):
    """定义softmax模型"""
    def __init__(self):
        super(Net,self).__init__()
        self.fc1 = nn.Linear(784,10)

    def forward(self,x):
        # 展平数据  (n,1,28,28) --> (n,784)
        x = x.view(-1,784)
        return softmax(self.fc1(x),dim=1)

使用pytorch实现softmax回归不再需要损失函数和损失函数求导，而是直接使用nn模块中现成的交叉熵函数和自动求导即可。

定义迭代训练模型的train函数

# 迭代训练模型
def train(epochs,train_loader,model,optimizer,loss_fn,print_every):
    for epoch in range(epochs):
        # 每次输入batch_idx个数据
        loss_acc = 0.0 # 累计损失
        for batch_idx,(data,target) in enumerate(train_loader):
            # 梯度清零
            optimizer.zero_grad()
            # 前向传播
            output = model(data)
            # 损失
            loss = loss_fn(output,target)
            # 反向传播
            loss.backward()
            # 更新参数
            optimizer.step()
            loss_acc  = loss.item()
            if batch_idx % print_every == print_every-1:
                print('[%d,]]损失：%.3f'%(epoch 1,batch_idx 1,loss_acc/print_every))

模型测试

# 模型测试
def test(model,test_loader):
    '''测试'''
    correct = 0
    total = 0
    
    # 预测不需要梯度来修改参数
    with torch.no_grad():
        for data in test_loader:
            images,labels = data
            outputs = model(images)
            _,predicted = torch.max(outputs.data,1)
            total  = labels.size(0)
            correct  = (predicted == labels).sum().item()
            
    print(f"在测试集中的预测准确率:{correct/total}")
    

调用模型训练和测试的部分代码

if __name__ == '__main__':
    model = Net()

    # 交叉熵损失函数
    loss_fn = nn.CrossEntropyLoss()

    # 优化算法
    optimizer = torch.optim.Adam(model.parameters(),lr=0.001)

    train(20,train_dataloader,model,optimizer,loss_fn,50)

    test(model=model,test_loader=test_dataloader)

完整代码

import torch
import torchvision
from torch import nn
from torch.nn.functional import softmax
from torch.utils.data import DataLoader

# 准备数据
train_data = torchvision.datasets.FashionMNIST(root='./data',train=True,transform=torchvision.transforms.ToTensor(),download=True)
test_data = torchvision.datasets.FashionMNIST(root='./data',train=False,transform=torchvision.transforms.ToTensor(),download=True)

# 读数据
train_dataloader = DataLoader(train_data,batch_size=64)
test_dataloader = DataLoader(test_data,batch_size=64)


# 定义softmax模型
class Net(nn.Module):
    """定义softmax模型"""
    def __init__(self):
        super(Net,self).__init__()
        self.fc1 = nn.Linear(784,10)

    def forward(self,x):
        # 展平数据  (n,1,28,28) --> (n,784)
        x = x.view(-1,784)
        return softmax(self.fc1(x),dim=1)

# 迭代训练模型
def train(epochs,train_loader,model,optimizer,loss_fn,print_every):
    for epoch in range(epochs):
        # 每次输入batch_idx个数据
        loss_acc = 0.0 # 累计损失
        for batch_idx,(data,target) in enumerate(train_loader):
            # 梯度清零
            optimizer.zero_grad()
            # 前向传播
            output = model(data)
            # 损失
            loss = loss_fn(output,target)
            # 反向传播
            loss.backward()
            # 更新参数
            optimizer.step()
            loss_acc  = loss.item()
            if batch_idx % print_every == print_every-1:
                print('[%d,]]损失：%.3f'%(epoch 1,batch_idx 1,loss_acc/print_every))


# 模型测试
def test(model,test_loader):
    '''测试'''
    correct = 0
    total = 0

    # 预测不需要梯度来修改参数
    with torch.no_grad():
        for data in test_loader:
            images,labels = data
            outputs = model(images)
            _,predicted = torch.max(outputs.data,1)
            total  = labels.size(0)
            correct  = (predicted == labels).sum().item()

    print(f"在测试集中的预测准确率:{correct/total}")

if __name__ == '__main__':
    model = Net()

    # 交叉熵损失函数
    loss_fn = nn.CrossEntropyLoss()

    # 优化算法
    optimizer = torch.optim.Adam(model.parameters(),lr=0.001)

    train(20,train_dataloader,model,optimizer,loss_fn,50)

    test(model=model,test_loader=test_dataloader)

这篇好文章是转载于：学新通技术网