Pytorch入门之softmax回归

softmax回归

主要用于分类问题，通过将前几层网络的输出得分转为相应分类的概率，然后选取概率最高的类别作为此次分类的的结果。比如经过四分类问题经过softmax处理后的结果为[0.1，0.3，0.1，0.5]，则最后属于第四类，因为0.5最大了。

 

其实softmax处理分类问题和用线性回归处理回归问题大致相同

只不过线性回归在全连接层后用的恒等函数Relu函数输出，然后利用均方误差计算loss，然后反向传播利用SGD训练参数。

而softmax处理分类问题呢，是在全连接层后的输出利用全连接的形式计算每个类别的概率值，然后利用交叉熵（cross entropy）计算loss，然后反向传播利用SGD训练参数。

关于基于pytorch处理线性回归，可以参考我的另一篇博客https://blog.csdn.net/MR_kdcon/article/details/108936131

 

那就开始了，下面这个是我整个网络的结构图（连接线太麻烦了，请忽略）

 

准备工作：读取数据集

数据集：采用Fashion-MNIST数据，这是一个每个类别有6，000张训练集和1，000张，一共10个类别，分别是t-shirt（T恤）、trouser（裤⼦）、pullover（套衫）、 dress（连⾐裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、 bag（包）和ankle boot（短靴）

 

读入Fashion-MNIST数据集，需要导入torchvision包，用于构建计算机模型

torchvison.dataset包里有一些加载数据的函数以及常用的数据集接口，常用于导入数据集，例如需要导入Fashion-MNIST数据集，第一次下载将从网上直接下载

root='~/Datasets/FashionMNIST' # root既是第一次下载存的地址，也是第二次以后读取的地址 # 或者 root='./FashionMNIST',即保存在当前目录下 transform = transforms.ToTensor() # 将所有数据转为Tensor mnist_train = torchvision.datasets.FashionMNIST(root=root, train=True, download=True, transform=transform) mnist_test = torchvision.datasets.FashionMNIST(root=root, train=False, download=True, transform=transform)

torchvision.transforms常用于做一些图片变换，例如裁剪、旋转等。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 。

这里读取的数据mnist_train、mnist_test格式为：[(X1,y1),(X2,y2)...] ，

其中X1:(1, 28, 28)，表示1通道（灰度图）分辨率为28*28的图像

y:Tensor标量，表示标签，如tensor(9)，他其实对应了查找表中的 'ankle boot'。

note：

1、torchvison.models包包含常用的模型结构，常用于预训练，如VGG、AlexNet等

 

导入数据集：

train_iter = torch.utils.data.DataLoader(mnist_train, batch_size=batch_size, shuffle=True, num_workers=num_workers) test_iter = torch.utils.data.DataLoader(mnist_test, batch_size=batch_size, shuffle=False, num_workers=num_workers)

mnist_train、mnist_test为torch.utils.data.Dataset的子类，故可以直接用torch.utils.data.DataLoader直接导入

note：

train_iter格式： [(X1,y1),(X2,y2)...] X1:(batch, 1, 28, 28) y:(batch,),标签不是one-hot形式

 

到了正式开始的时候了

1、创建网络

根据图中所画的，网络类中只需要一个全连接层

自行创建模型类，继承nn.Module （也可以用nn.Sequential（nn.Module的子类）

class Net(nn.Module): def __init__(self, feature_in, feature_out): super().__init__() self.linear = nn.Linear(feature_in, feature_out) def forward(self, datain): out = self.linear(datain.view(datain.shape[0], -1)) # (batchsize, 10) return out

 法二：利用

# 搭建网络 network = Net(784, 10)

note：需要注意的是，全连接层的输入必须是个二维Tensor，故需要进行转换，即(batchsize,1,28,28)转为(batchsize,784)

这样全连接的输出y_hat就是(batchsize, 10)

 

2、参数初始化及loss函数、SGD例化

# 初始化已经在类的例化中完成了 loss = nn.CrossEntropyLoss() optimizer = optim.SGD(network.parameters(), lr=0.5)

note：分类问题常调用的nn.CrossEntropyLoss()是一个包含了softmax函数和cross_entropy函数的一个函数。

 

3、前向推理、后向传播、训练（采用100个epoch）

for epoch in range(100): for X, y in data_iter: output = net(X) # batch ls = loss(output, y).sum optimizer.zero_grad() ls.backward() optimizer.step() # 更新以及对梯度求平均

 

4、测试

在测试集上对每一个epoch计算损失、正确率。由于没有其他的优化措施，所以最终识别率在83%左右

选取了前十张图的识别效果（仅有一个判断错误）