Softmax 回归 + 损失函数 + 图片分类数据集
定义
- 回归:是估计一个连续的值
- 分类:预测一个离散的类别
比如手写数字识别就是分类问题
回归
- 但连续数值输出
- 自然区间R
- 跟真实值的区别作为损失
分类
- 通常多个输出
- 输出i是预测为第i类的置信度
- 从回归的单输出变成了多输出(其实多输出可以理解为对每个类别做回归)
从回归到对分类
均方损失
- 对类别进行有效的编码
- 使用均方损失训练
- 最大值为预测
无校验比例
- 对类别进行以为有效的编码
- 最大值为预测
- 需要更置信的识别正确类(大余量)
即正确的类的权重减去其余任何一个类的权重还需要留有一定余量
校验比例
- 输出匹配概率(非负,和为1)
$$ \hat{y} = \text{softmax}(o) \\ \hat{y}_i = \frac{\exp(o_i)}{\sum_k \exp(o_k)} $$
$\hat{y} = \text{softmax}(o) $是一个长为n的向量,每个元素非负,而且他的和为1,下面的式子就是对o的每个值的运算,exp就是e的x次幂。分母就是对所有所有o求e的x次幂。
概率y和$\hat y$的区别作为损失
交叉熵损失
交叉熵常用于衡量俩个概率的区别
$$ H(p, q) = -\sum_{i=1}-{p_i \log(q_i)} $$
将它作为损失 loss函数
$$ l(y, \hat{y}) = -\sum_{i}{y_i \log{\hat{y}_i}} = -\log{\hat{y}_{y}}\\ 这里可以简写是因为只有一个元素为1,其他元素全部为0 $$
- p(x) 是真实分布中事件x的概率。
- q(x) 是预测分布中事件x的概率。
- log 函数的底数通常选择为自然对数 e(即 ln),但在某些情况下也可以选择为2。
这里是取正式事件的概率乘以ln预测事件的概率,然后累加起来
其梯度是真实概率和预测概率的区别
$$ \partial_{o_i} l(y, \hat{y}) = softmax(o)_i - y_i $$
softmax回归是一个多累分类模型
使用softmax操作子,得到每个类的预测置信度
使用交叉熵来衡量预测和标号的区别
损失函数
常見的损失函数有
l2 loss
$$ l(y, y') = -\frac{1}{2}(y - y')^2 $$
- 蓝色表示,y=0的时候,变换y'时的函数
- 绿色是似然函数
- 橙色表示损失函数的梯度
L1 loss
$$ l(y, y') = |y - y'| $$
y'大于0导数是1,y'小于0 导数是-1。问题是零点处不可导会有很大的变化
Huber's Robust Loss
$$ l(y, y') = \begin{cases} |y - y'| - \frac{1}{2} & \text{if } |y - y'| > 1 \\ \frac{1}{2}(y - y')^2 & \text{otherwise} \end{cases} $$
这是一个光滑的分段函数,当差距大于1时是绝对值,当真实值和预测值差距小于1时是平方误差
图像分类数据集测试
mnist数据集是图像分类中最广泛的数据集之一,作为基准数据集有点过于简单。
以下是加载数据集的方式
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
# 返回Fashion mnist数据集的文本标签
def get_fashion_mnist_labels(labels):
"""返回Fashion-MNIST数据集的文本标签"""
text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
# 从索引list中,返回一个对应元素的list
return [text_labels[int(i)] for i in labels]
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5):
"""绘制图像列表"""
# 图像大小乘以尺寸
figsize = (num_cols * scale, num_rows * scale)
# matplotlib 绘图
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
# 把高纬度拉平 [[1,2][2,2]]=>[1,2,2,2]
axes = axes.flatten()
# zip函数的作用是返回一个迭代器,将可迭代对象打包成元素
# enumerate获取索引,其实就是给每个元素增加了索引i
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量 转成numpy
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
# 隐藏坐标轴
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
return axes
def get_dataloader_workers():
# 设置4个工作线程
return 4
# 使用svg来显示
d2l.use_svg_display()
# 通过Totensor实例将图像数据从PIL类型变换成32为浮点数的格式
# 并除以255使得所有图像的数值在0到1之间
trans = transforms.ToTensor()
# 下载数据集,root是下载路径,train代表训练,transform代表拿出来得到是tensor,download是默认从网上下载
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
# 测试集
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)
# 60000个训练集 10000个测试集
# 形状是28*28
print(len(mnist_train), len(mnist_test), mnist_train[0][0].shape)
# iter()函数在Python中用于创建一个迭代器对象。
x, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
# 展示18张照片,28*28像素的照片 2行,每一行9张图片
show_images(x.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y))
d2l.plt.show()
batch_size = 256
train_iter = data.DataLoader(mnist_train, batch_size, shuffle=True, num_workers=get_dataloader_workers())
timer = d2l.Timer()
for x, y in train_iter:
continue
print(f'{timer.stop():.2f} sec')
不管如何定义输入和输出,进入softmax函数之前的一层,和softmax之后的一层,他的矩阵大小是相同的
y = torch.tensor([0, 2])
#简单来说是先拿0作用在y上,然后再将y作用在y_hat上
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y_hat[[0, 1], y]
# 输出tensor([0.1000, 0.5000])
# 这样既可以拿到预期值和真实值的差异,这个概率输出一般是在softmax之后
# 计算交叉熵
def cross_entropy(y_hat, y):
# 计算自然对数,拿出真实标号的预测值
# 把预测值和输出值拿出来直接进行比较,计算每一项以及对应的交叉熵
# 因为我们的目的是提高当前项的准确率我,所以我们只关心正确项的正确率
return -torch.log(y_hat[range(len(y_hat)), y])
# 计算预测正确的数量
def accuracy(y_hat, y):
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
# 是求那一行最大值的下标
y_hat = y_hat.argmax(axis=1)
cmp = y_hat.type(y.dtype) == y
return float(cmp.type(y.dtype).sum())
print(accuracy(y_hat, y) / len(y))#输出是0.5
class Accumulator:
"""For accumulating sums over `n` variables."""
def __init__(self, n):
"""Defined in :numref:`sec_utils`"""
self.data = [0.0] * n
# args是一个特殊的语法,允许该方法接收任意数量的位置参数并将它们收集到一个名为args的元组中。
#最终的作用是n个数,累加到data的n个变量
def add(self, *args):
self.data = [a + float(b) for a, b in zip(self.data, args)]
def reset(self):
self.data = [0.0] * len(self.data)
def __getitem__(self, idx):
return self.data[idx]
python 推导列表,new_list = [expression for item in iterable if condition]
expression
是基于item
的计算表达式,它的结果将被放入新列表中。for item in iterable
是一个for循环,遍历任何可迭代的对象(如列表、元组、集合、字符串等)。if condition
是一个可选的条件语句,只有当条件为真时,expression
的结果才会被添加到新列表中。
softmax回归
import torch
from IPython import display
from d2l import torch as d2l
def softmax(X):
# 对于矩阵来说,我们是对每一行做softmax
X_exp = torch.exp(X)
# 按维度为1来求和 keepdim=true是保留原来维度
partition = X_exp.sum(1, keepdim=True)
return X_exp / partition # 这里用了广播机制,广播机制就是库自动对齐
# softmax回归
def net(X):
# 对于输入X,我们把他reshape成批量大小的矩阵
# 这里会被reshape成一个256 * 784的矩阵,W.shape[0]就是784
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
# 计算交叉熵
def cross_entropy(y_hat, y):
# 计算自然对数,拿出真实标号的预测值
# 把预测值和输出值拿出来直接进行比较,计算每一项以及对应的交叉熵
# 因为我们的目的是提高当前项的准确率我,所以我们只关心正确项的正确率
return -torch.log(y_hat[range(len(y_hat)), y])
# 计算预测正确的数量
def accuracy(y_hat, y):
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
# 是求那一行最大值的下标
# 也就是沿着y轴进行计算,这里的arg指的是argument
y_hat = y_hat.argmax(axis=1)
# cmp是 comparison 这里是转换俩者的类型进行比较,获得一个bool的tensor
cmp = y_hat.type(y.dtype) == y
# 返回预测的数量
return float(cmp.type(y.dtype).sum())
# 计算在指定数据集上的精度
def evaluate_accuracy(net, data_iter):
"""计算在指定数据集上模型的精度"""
if isinstance(net, torch.nn.Module):
net.eval()
metric = d2l.Accumulator(2)
with torch.no_grad():
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]
def train_epoch_ch3(net, train_iter, loss, updater):
"""训练模型一个迭代周期(定义见第3章)"""
if isinstance(net, torch.nn.Module):
net.train()
metric = d2l.Accumulator(3)
for X, y in train_iter:
y_hat = net(X)
l = loss(y_hat, y)
if isinstance(updater, torch.optim.Optimizer):
updater.zero_grad()
l.mean().backward()
updater.step()
else:
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
return metric[0] / metric[2], metric[1] / metric[2]
class Animator:
"""For plotting data in animation."""
def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
ylim=None, xscale='linear', yscale='linear',
fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,
figsize=(3.5, 2.5)):
"""Defined in :numref:`sec_utils`"""
# Incrementally plot multiple lines
if legend is None:
legend = []
d2l.use_svg_display()
self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)
if nrows * ncols == 1:
self.axes = [self.axes, ]
# Use a lambda function to capture arguments
self.config_axes = lambda: d2l.set_axes(
self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
self.X, self.Y, self.fmts = None, None, fmts
def add(self, x, y):
# Add multiple data points into the figure
if not hasattr(y, "__len__"):
y = [y]
n = len(y)
if not hasattr(x, "__len__"):
x = [x] * n
if not self.X:
self.X = [[] for _ in range(n)]
if not self.Y:
self.Y = [[] for _ in range(n)]
for i, (a, b) in enumerate(zip(x, y)):
if a is not None and b is not None:
self.X[i].append(a)
self.Y[i].append(b)
self.axes[0].cla()
for x, y, fmt in zip(self.X, self.Y, self.fmts):
self.axes[0].plot(x, y, fmt)
self.config_axes()
display.display(self.fig)
display.clear_output(wait=True)
d2l.plt.show()
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater):
"""训练模型(定义见第3章)"""
animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
legend=['train loss', 'train acc', 'test acc'])
for epoch in range(num_epochs):
train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
test_acc = evaluate_accuracy(net, test_iter)
animator.add(epoch + 1, train_metrics + (test_acc,))
train_loss, train_acc = train_metrics
# assert train_loss < 0.5, train_loss
# assert train_acc <= 1 and train_acc > 0.7, train_acc
# assert test_acc <= 1 and test_acc > 0.7, test_acc
def updater(batch_size):
return d2l.sgd([W, b], lr, batch_size)
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 将展平每个图像,将它们视为长度784的向量。因为我们数据偶10个类别,所以输出维度为10
num_inputs = 784 # 28x28个像素
num_output = 10
# 创建一个形状为行数:num_inputs 列数:num_output,requires_grad代表需要计算梯度
W = torch.normal(0, 0.01, size=(num_inputs, num_output), requires_grad=True)
b = torch.zeros(num_output, requires_grad=True)
# y = torch.tensor([0, 2])
# y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
# print(accuracy(y_hat, y) / len(y))
lr = 0.1
num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
def predict_ch3(net, test_iter, n=6):
"""预测标签(定义见第3章)"""
for X, y in test_iter:
break
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
titles = [true + '\n' + pred for true, pred in zip(trues, preds)]
d2l.show_images(
X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
predict_ch3(net, test_iter)
d2l.plt.show()
简洁写法
import torch
from torch import nn
from d2l import torch as d2l
import softmax_regression_2
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# pytorch不会隐式地调整输入的形状
# 因此我们定义了展平层(flatten)在线性层之前调整网络输入形状
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))
def init_weight(m):
# m的类型是一个线性的
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weight)
loss = nn.CrossEntropyLoss()
# 使用学习率为0.1的小批量随机梯度下降最为优化算法,返回训练器
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
num_epochs = 10
softmax_regression_2.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)