Pytorch实战学习(五)：多分类问题

《PyTorch深度学习实践》完结合集_哔哩哔哩_bilibili

Softmax Classifer

1、二分类问题：糖尿病预测

2、多分类问题

MNIST Dataset：10个标签，图像数字（0-9）识别

①用sigmoid：输出每个类别的概率

但这种情况下，类别之间所存在的互相抑制的关系没有办法体现，当一个类别出现的概率较高时，其他类别出现的概率仍然有可能很高。

换言之，当计算输出为1的概率之后，再计算输出为2的概率时，并不是在输出为非1的条件下进行的，也就是说，所有输出的概率之和实际上是大于1的。

②用softmax：输出每个类别的概率的分布

 3、softmax原理

保证两点：

※每个类别概率都>0------指数函数

※所有类别概率相加为1------求和，占比

 4、Softmax Loss Function

①NLLLoss

②Torch.nn.CrossEntropyLoss()中包含了最后一层的softmax激活

③交叉熵损失（CrossEntropyLoss）和NLL损失之间的差别

5、实例：MNIST Dataset

①数据准备

transform将图像转换成图像张量（CxWxH）(通道x宽x高)，取值在[0,1]

再进行标准化

## 将图像数据转换成图像张量
transform = transforms.Compose([
    transforms.ToTensor(),
    # 标准化,均值和标准差
    transforms.Normalize((0.1307,), (0.3081,))
    ])

②模型构建

完整代码

# -*- coding: utf-8 -*-
"""
Created on Wed Aug  4 09:08:32 2021
 
@author: motoh
"""
 
import torch
## 对图像数据进行处理的包
from torchvision import transforms
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F
import torch.optim as optim
 
# prepare dataset
 
batch_size = 64
## 将图像数据转换成图像张量
# 标准化,均值和标准差
transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.1307,), (0.3081,))]) 
 
train_dataset = datasets.MNIST(root='../dataset/mnist/', train=True, download=True, transform=transform)
train_loader = DataLoader(train_dataset, shuffle=True, batch_size=batch_size)
test_dataset = datasets.MNIST(root='../dataset/mnist/', train=False, download=True, transform=transform)
test_loader = DataLoader(test_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)
        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):
        #变成矩阵 -1其实就是自动获取mini_batch，784是1*28*28，图片的像素数量
        x = x.view(-1, 784)
        x = F.relu(self.l1(x))
        x = F.relu(self.l2(x))
        x = F.relu(self.l3(x))
        x = F.relu(self.l4(x))
        # 最后一层不做激活，不进行非线性变换
        return self.l5(x)  
 
model = Net()
 
# construct loss and optimizer
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
 
# 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()
        # 获得模型预测结果(64, 10)
        outputs = model(inputs)
        # 交叉熵代价函数outputs(64,10),target（64）
        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
 
def test():
    correct = 0
    total = 0
    ## 不计算梯度
    with torch.no_grad():
        for data in test_loader:
            images, labels = data
            outputs = model(images)
            # dim = 1 列是第0个维度，行是第1个维度，## 每一行最大值的下标
            _, predicted = torch.max(outputs.data, dim=1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item() # 张量之间的比较运算
    print('accuracy on test set: %d %% ' % (100*correct/total))
 
if __name__ == '__main__':
    for epoch in range(10):
        train(epoch)
        test()

 运行结果