深度学习（PyTorch）——多分类问题（Softmax Classifier）

B站up主“刘二大人”视频笔记

这节课的内容，主要是两个部分的修改：
一是数据集：直接采用了内置的MNIST的数据集，那dataloader和dataset自然也是内置的，那也就不用自己写dataset再去继承Dataset类；
再有是把train和test写成了函数形式，直接在main函数当中调用即可；
除了本节课想要实现的代码，刘老师在本节课前一半讲了这些内容：
下了很大功夫讲清楚了softmax这个函数的机理:y_pred = np.exp(z) / np.exp(z).sum();
还有交叉熵损失函数是什么一回事，非常流畅简洁地给我讲懂了这个公式的意思：loss = (- y * np.log(y_pred)).sum();
根据这两个函数的理论，用numpy的计算法则把公式实现了，之后才去调用了pytorch当中写好了的函数；
还强调了NLL-Loss的概念，并且留了思考题，为什么会：CrossEntropyLoss <==> LogSoftmax + NLLLoss?
到了pytorch当中，里面有Softmax和Softmax_log两个函数版本；

程序如下：


import torch
from torchvision import transforms  # 该包主要是针对图像进行处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim  # 优化器的包
 
# prepare dateset
 
batch_size = 64
transforms = transforms.Compose([transforms.ToTensor(),  # 把输入的图像转变成张量 通道*宽度*高度，取值在（0,1）
                                 transforms.Normalize((0.1307,), (0.3081,))])  # 归一化，0.1307均值和0.3081方差
 
train_dataset = datasets.MNIST(root='../dataset/mnist/',
                               train=True,
                               download=True,
                               transform=transforms)
train_loader = DataLoader(train_dataset,
                          shuffle=True,
                          batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/',
                              train=False,
                              download=True,
                              transform=transforms)
test_loader = DataLoader(train_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)  # 输入维度784，输出维度521
        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其实就是自动获取mini_batch，view可以改变张量的形状，输入层拿到了n*784的矩阵
        x = F.relu(self.l1(x))  # 用relu对每一层算出的结果进行激活
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        return self.l5(x)  # 最后一层不做激活，不进行非线性变换，这些工作交给交叉熵损失负责
 
 
model = Net()
 
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()  # 构造损失函数，交叉熵损失
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)  # 构造优化器 lr为学习率，momentum为冲量来优化训练过程
 
# training cycle forward, backward, update
 
 
def train(epoch):
    running_loss = 0.0
    for batch_idx, data in enumerate(train_loader, 0):
        # 获得一个批次的数据和标签
        inputs, target = data
        optimizer.zero_grad()
        # 获得模型预测的结果（64,10）
        outputs = model(inputs)
        # 交叉熵代价函数outputs（64,10），targe（64）
        loss = criterion(outputs, target)
        loss.backward()
        optimizer.step()
 
        running_loss += loss.item()
        if batch_idx % 300 == 299:  # 300次迭代输出一次loss
            print('[%d, %5d] loss：%.3f' % (epoch+1, batch_idx+1, running_loss/300))
            running_loss = 0.0
 
 
def test():  # 不需要反向传播，只需要正向的
    correct = 0
    total = 0
    with torch.no_grad():  # 不需要计算梯度
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            _, predicted = torch.max(outputs.data, dim=1)  # dim=1 列是第0个维度，行是第1个维度，返回值是每一行最大值和每一行最大值下标
            total += labels.size(0)  #labels.size是一个（N,1）的元组，labels.size（0）=N
            correct += (predicted == labels).sum().item()  # 张量之间的比较运算，然后求和取标量
    print('accuracy on test set:%d %% ' % (100*correct/total))
 
 
if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()