新的网站怎么做seo,网站建设知名公司排名,wordpress设置vip用户可见,wordpress 增加磁盘容量文章目录 1. 模型与代码实现1.1. 模型1.2. 代码实现 2. QA 1. 模型与代码实现
1.1. 模型
背景 在分类问题中#xff0c;模型的输出层是全连接层#xff0c;每个类别对应一个输出。我们希望模型的输出 y ^ j \hat{y}_j y^j可以视为属于类 j j j的概率#xff0c;然… 文章目录 1. 模型与代码实现1.1. 模型1.2. 代码实现 2. QA 1. 模型与代码实现
1.1. 模型
背景 在分类问题中模型的输出层是全连接层每个类别对应一个输出。我们希望模型的输出 y ^ j \hat{y}_j y^j可以视为属于类 j j j的概率然后选择具有最大输出值的类别作为我们的预测。 softmax函数能够将未规范化的输出变换为非负数并且总和为1同时让模型保持可导的性质而且不会改变未规范化的输出之间的大小次序。softmax函数 y ^ s o f t m a x ( o ) \mathbf{\hat{y}}\mathrm{softmax}(\mathbf{o}) y^softmax(o)其中 y ^ j e x p ( o j ) ∑ k e x p ( o k ) \hat{y}_j\frac{\mathrm{exp}({o_j})}{\sum_{k}\mathrm{exp}({o_k})} y^j∑kexp(ok)exp(oj)softmax是一个非线性函数但softmax回归的输出仍然由输入特征的仿射变换决定因此softmax回归是一个线性模型。为了避免将softmax的输出直接送入交叉熵损失造成的数值稳定性问题将softmax和交叉熵损失结合在一起具体做法是不将softmax概率传递到损失函数中 而是在交叉熵损失函数中传递未规范化的输出并同时计算softmax及其对数。因此定义交叉熵损失函数时也进行了softmax运算。
1.2. 代码实现
import torch
from torchvision.datasets import FashionMNIST
from torchvision import transforms
from torch.utils.data import DataLoader
from torch import nn
from tensorboardX import SummaryWriter# 全局参数设置
batch_size 256
num_workers 0
num_epochs 10
device torch.device(cuda if torch.cuda.is_available() else cpu)writer SummaryWriter()# 加载数据集
root ./dataset
transform transforms.Compose([transforms.ToTensor()])
mnist_train FashionMNIST(rootroot, trainTrue, transformtransform, downloadTrue
)
mnist_test FashionMNIST(rootroot, trainFalse, transformtransform, downloadTrue
)
dataloader_train DataLoader(mnist_train, batch_size, shuffleTrue, num_workersnum_workers
)
dataloader_test DataLoader(mnist_test, batch_size, shuffleFalse,num_workersnum_workers
)# 定义神经网络
net nn.Sequential(nn.Flatten(), nn.Linear(784, 10)).to(device)# 初始化模型参数
def init_weights(m):if type(m) nn.Linear:nn.init.normal_(m.weight, mean0, std0.01)nn.init.constant_(m.bias, val0)
net.apply(init_weights)# 定义损失函数
criterion nn.CrossEntropyLoss(reductionnone)# 定义优化器
optimizer torch.optim.SGD(net.parameters(), lr0.1)class Accumulator:在n个变量上累加def __init__(self, n):self.data [0.0] * ndef 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]def accuracy(y_hat, y):计算预测正确的数量if len(y_hat.shape) 1 and y_hat.shape[1] 1:y_hat y_hat.argmax(axis1)cmp y_hat.type(y.dtype) yreturn float(cmp.type(y.dtype).sum())for epoch in range(num_epochs):# 训练模型net.train()train_metrics Accumulator(3) # 训练损失总和、训练准确度总和、样本数for X, y in dataloader_train:X, y X.to(device), y.to(device)y_hat net(X)loss criterion(y_hat, y)optimizer.zero_grad()loss.mean().backward()optimizer.step()train_metrics.add(float(loss.sum()), accuracy(y_hat, y), y.numel())train_loss train_metrics[0] / train_metrics[2]train_acc train_metrics[1] / train_metrics[2]# 测试模型net.eval()with torch.no_grad(): test_metrics Accumulator(2) # 测试准确度总和、样本数for X, y in dataloader_test:X, y X.to(device), y.to(device)y_hat net(X)loss criterion(y_hat, y)test_metrics.add(accuracy(y_hat, y), y.numel())test_acc test_metrics[0] / test_metrics[1]writer.add_scalars(metrics, {train_loss: train_loss, train_acc: train_acc, test_acc: test_acc}, epoch)
writer.close()
输出结果
2. QA
运行过程中出现以下警告 UserWarning: The given NumPy array is not writeable, and PyTorch does not support non-writeable tensors. This means you can write to the underlying (supposedly non-writeable) NumPy array using the tensor. You may want to copy the array to protect its data or make it writeable before converting it to a tensor. This type of warning will be suppressed for the rest of this program. (Triggered internally at …\torch\csrc\utils\tensor_numpy.cpp:180.) return torch.from_numpy(parsed.astype(m[2], copyFalse)).view(*s) 该警告的大致意思是给定的NumPy数组不可写并且PyTorch不支持不可写的张量。这意味着你可以使用张量写入底层假定不可写NumPy数组。在将数组转换为张量之前可能需要复制数组以保护其数据或使其可写。在本程序的其余部分此类警告将被抑制。因此需要修改C:\Users\%UserName%\anaconda3\envs\%conda_env_name%\lib\site-packages\torchvision\datasets\mnist.py的第498行将return torch.from_numpy(parsed.astype(m[2], copyFalse)).view(*s)中的False改成True。
