PyTorch 深度學習實踐第9講

第9講多分類問題源**

b站劉二大人，傳送門pytorch深度學習實踐——多分類問題

說明： 1、softmax的輸入不需要再做非線性變換，也就是說softmax之前不再需要啟用函式(relu)。softmax兩個作用，如果在進行softmax前的input有負數，通過指數變換，得到正數。所有類的概率求和為1。

2、y的標籤編碼方式是one-hot。我對one-hot的理解是只有一位是1，其他位為0。(但是標籤的one-hot編碼是演算法完成的，演算法的輸入仍為原始標籤)

3、多分類問題，標籤y的型別是longtensor。比如說0-9分類問題，如果y = torch.longtensor([3])，對應的one-hot是[0,0,0,1,0,0,0,0,0,0].(這裡要注意，如果使用了one-hot，標籤y的型別是longtensor，糖尿病資料集中的target的型別是floattensor)

4、crossentropyloss <==> logsoftmax + nllloss。也就是說使用crossentropyloss最後一層(線性層)是不需要做其他變化的；使用nllloss之前，需要對最後一層(線性層)先進行softmax處理，再進行log操作。

**說明：1、第8講 from torch.utils.data import dataset，第9講 from torchvision import datasets。該datasets裡面init，getitem,len魔法函式已實現。

2、torch.max的返回值有兩個，第乙個是每一行的最大值是多少，第二個是每一行最大值的下標(索引)是多少。

3、全連線神經網路

4、torch.no_grad()

python中with的用法

5、**中"_"的說明 python中各種下劃線的操作

6、torch.max( )的用法

torch.max( )使用講解

import torch
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import dataloader
import torch.nn.functional as f
import torch.optim as optim
# prepare dataset
batch_size = 64
transform = transforms.compose([transforms.totensor(), transforms.normalize((0.1307,), (0.3081,))]) # 歸一化,均值和方差
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其實就是自動獲取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) # 最後一層不做啟用，不進行非線性變換
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):
# 獲得乙個批次的資料和標籤
inputs, target = data
optimizer.zero_grad()
# 獲得模型**結果(64, 10)
outputs = model(inputs)
# 交叉熵代價函式outputs(64,10),target（64）
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
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) # dim = 1 列是第0個維度，行是第1個維度
total += labels.size(0)
correct += (predicted == labels).sum().item() # 張量之間的比較運算
print('accuracy on test set: %d %% ' % (100*correct/total))
if __name__ == '__main__':
for epoch in range(10):
train(epoch)
test()

PyTorch 深度學習實踐第9講

PyTorch 深度學習實踐第2講

PyTorch 深度學習實踐第2 3講

PyTorch深度學習實踐 Overview

PyTorch 深度學習實踐 第9講

PyTorch 深度學習實踐 第2講

PyTorch 深度學習實踐 第2 3講

PyTorch深度學習實踐 Overview

相關推薦

PyTorch 深度學習實踐第9講

PyTorch 深度學習實踐第2講

PyTorch 深度學習實踐第2 3講