当前位置：首页 > news >正文

《Pytorch深度学习实践》ch8-多分类

news 来源：原创 2025/6/7 15:12:27

------B站《刘二大人》

1.Softmax Layer

在多分类问题中，输出的是每类的概率：

计算公式：保证了每类概率大于 0 ，又由保证了概率之和为 1；

举例如下：

2.Cross Entropy

计算损失：

y = np.array([1, 0, 0])：是目标标签的 one-hot 编码。假设有 3 个类别，这里表示正确的类别是第一个类别；

import numpy as np
y = np.array([1, 0, 0])
z = np.array([0.2, 0.1, -0.1])
y_pred = np.exp(z) / np.exp(z).sum()
loss = (-y * np.log(y_pred)).sum()
print(loss) # 0.9729189131256584

交叉熵损失函数：

y 是一个长度为 1 的长整型张量，是标签类别的索引，[0] 表示正确的类别是类别 0；

import torch
y = torch.LongTensor([0])
z = torch.Tensor([[0.2, 0.1, -0.1]])
criterion = torch.nn.CrossEntropyLoss()
loss = criterion(z, y)
print(loss) # tensor(0.9729)

Mini - Batch

import torch
criterion = torch.nn.CrossEntropyLoss()
Y = torch.LongTensor([2, 0, 1])Y_pred1 = torch.Tensor([[0.1, 0.2, 0.9],[1.1, 0.1, 0.2],[0.2, 2.1, 0.1]])
Y_pred2 = torch.Tensor([[0.8, 0.2, 0.3],[0.2, 0.3, 0.5],[0.2, 0.2, 0.5]])loss1 = criterion(Y_pred1, Y) # Batch Loss1 =  tensor(0.4966)
loss2 = criterion(Y_pred2, Y) # Batch Loss2 =  tensor(1.2389)
print('Batch Loss1 = ', loss1.data, '\nBatch Loss2 = ', loss2.data)

3.MNIST

导包

import torch
from torchvision import datasets
from torchvision import transforms
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim

准备数据集
- ToTensor()：将图片转换为PyTorch的张量。
- Normalize(mean, std)：使用指定的均值和标准差对图片进行标准化。

batch_size = 64transform = transforms.Compose([transforms.ToTensor(),transforms.Normalize((0.1307, ), (0.3081, ))
])train_dataset = datasets.MNIST('data/MNIST/', train=True, transform=transform, download=True)
train_loader = DataLoader(dataset=train_dataset, batch_size=batch_size, shuffle=True)test_dataset = datasets.MNIST('data/MNIST/', train=False, transform=transform, download=True)
test_loader = DataLoader(dataset=test_dataset, batch_size=batch_size, shuffle=False)

构造模型
- 输入层：784个神经元（因为每张图片是28x28，展平后变成784维）。
- 隐藏层：4个全连接层，神经元数量分别为512、256、128和64。
- 输出层：10个神经元，分别对应数字0到9。
- 最后一层不做激活，因为后面调用 torch.nn.CrossEntropyLoss。

class Net(torch.nn.Module):def __init__(self):super(Net, self).__init__()self.linear1 = torch.nn.Linear(784, 512)self.linear2 = torch.nn.Linear(512, 256)self.linear3 = torch.nn.Linear(256, 128)self.linear4 = torch.nn.Linear(128, 64)self.linear5 = torch.nn.Linear(64, 10)def forward(self, x):x = x.view(-1, 784)x = F.relu(self.linear1(x))x = F.relu(self.linear2(x))x = F.relu(self.linear3(x))x = F.relu(self.linear4(x))x = self.linear5(x) # 不用激活函数，因为 torch.nn.CrossEntropyLoss = softmax + nlllossreturn xmodel = Net()

损失与优化器

criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

训练与测试
- torch.max：返回最大值和对应的下标。
- dim=1，说明是在行的维度。 0是列，1是行。

# training
def train(epoch):running_loss = 0.0for batch_idx, data in enumerate(train_loader, 0):inputs, target = dataoptimizer.zero_grad()outputs = model(inputs)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# test
def test():correct = 0total = 0with torch.no_grad():for data in test_loader:inputs, labels = dataoutputs = model(inputs)_, predicted = torch.max(outputs.data, dim=1)total += labels.size(0)correct += (predicted == labels).sum().item()print('Accuracy on test set: %d %%' %(100*correct/total))if __name__ == '__main__':for epoch in range(10):train(epoch)if epoch % 10 == 0:test()