Pytorch之簡潔版Softmax多分類

中，我們自己手動實現了對於softmax操作和交叉熵的計算，可其實這些在pytorch框架中已經被實現了，我們直接拿來使用即可。但是，為了能夠對這些內容有著更深刻的理解，通常我們都會自己手動實現一次，然後在今後的使用中就可以直接拿現成的來用了。在接下來這篇文章中，筆者將首先介紹如何呼叫pytorch中的交叉熵損失函式，然後再同時借助nn.linear()來實現乙個簡潔版的softmax回歸。

在前一篇文章中，我們首先分別自己實現了softmax和交叉熵的操作；然後再將兩者結合實現了交叉熵損失函式的計算過程。但其實這兩步通過pytorch中的crossentropyloss()就能實現。

def
softmax
(x):
s = torch.exp(x)
return s / torch.
sum(s, dim=
1, keepdim=
true
)def
crossentropy
(y_true, logits)
:    c =
-torch.log(logits.gather(
1, y_true.reshape(-1
,1))
)return torch.
sum(c)
logits = torch.tensor([[
0.5,
0.3,
0.6],[
0.5,
0.4,
0.3]])
y = torch.longtensor([2
,1])
c = crossentropy(y, softmax(logits))/
len(y)
print
(c)loss = torch.nn.crossentropyloss(reduction=
'mean'
)# 返回的均值是除以的每一批樣本的個數（不一定是batchsize，因為最後乙個batch的樣本可能很少）
cc = loss(logits, y)
print
(cc)
#結果：
tensor(
1.0374
)tensor(
1.0374
)

從上述**可以看出，僅僅用pytorch中的兩行**就能實現我們需要的功能。同時，需要注意的是當crossentropyloss中指定引數reduction='mean'時，返回的均值是總損失除以輸入的樣本數量，而不是batchsize或者batchsize*c（c表示類別數）。

def
train()
:    input_nodes =28*
28    output_nodes =
10    epochs =
5    lr =
0.1    batch_size =
256    train_iter, test_iter = loaddataset(batch_size)
net = nn.sequential(nn.flatten(),
nn.linear(input_nodes, output_nodes)
)    loss = nn.crossentropyloss(reduction=
'mean'
)    optimizer = torch.optim.sgd(net.parameters(
), lr=lr)
# 定義優化

同之前實現簡潔版的線性回歸一樣，通過pytorch封裝好的api，僅僅兩行**就能夠實現softmax分類模型。其中nn.flatten()用於將輸入「拉平」成乙個向量，在此處就是將輸入的展成乙個784維的向量。同時，在倒數第2行**中，我們還直接呼叫了pytorch中的交叉熵損失函式。最後1行**我們定義了乙個sgd優化器。接下來，就是通過乙個迴圈來對網路進行訓練：

for epoch in
range
(epochs)
:for i,
(x, y)
inenumerate
(train_iter)
:                logits = net(x)
l = loss(logits, y)
optimizer.zero_grad(
)                l.backward(
)                optimizer.step(
)# 執行梯度下降

上述**的含義在之前的文章中已經介紹過，在此就不再贅述。同時，完整示例**可在引用[2]中進行獲取。

if __name__ ==
'__main__'
:    mnist_train, mnist_test = loaddataset(
)    train(mnist_train, mnist_test)
#結果epochs[5/
2]--
-batch[
234/
150]--
-acc 0.8438--
-loss 0.5209
epochs[5/
2]--
-batch[
234/
200]--
-acc 0.8086--
-loss 0.559
epochs[5/
2]--acc on test 0.8158
epochs[5/
3]--
-batch[
234/0]
---acc 0.8438--
-loss 0.4491
epochs[5/
3]--
-batch[
234/50]
---acc 0.8047--
-loss 0.5441
epochs[5/
3]--
-batch[
234/
100]--
-acc 0.8203--
-loss 0.5268
epochs[5/
3]--
-batch[
234/
150]--
-acc 0.8125--
-loss 0.4648
epochs[5/
3]--
-batch[
234/
200]--
-acc 0.875--
-loss 0.4342
epochs[5/
3]--acc on test 0.8124

在這篇文章中，筆者首先介紹了pytorch封裝好的softmax交叉熵損失函式crossentropyloss()，同時將其計算結果與我們自己實現的方法的結果進行了對比；接著筆者通過pytorch封裝好的介面快速的實現了乙個softamx分類器，同時還介紹了nn.flatten()的作用。

[1]動手深度學習

[2]示例**：

[1]pytorch之softmax多分類任務

[2]想明白多分類必須得談邏輯回歸

[3]pytorch之linear與mseloss

[4]pytorch之擬合正弦函式你會嗎？

[5]你告訴我什麼是深度學習

Pytorch之簡潔版Softmax多分類

python爬蟲之新浪網（簡潔版）

git操作命令（簡潔版）

Redis個人總結簡潔版

Pytorch之簡潔版Softmax多分類

python爬蟲之新浪網（簡潔版）

git操作命令（簡潔版）

Redis個人總結簡潔版

相關推薦