softmax识别FashionMNIST数据集代码详解

最新推荐文章于 2022-04-24 11:25:21 发布

Lins H

最新推荐文章于 2022-04-24 11:25:21 发布

阅读量730

点赞数

文章标签： python pytorch 深度学习

本文链接：https://blog.youkuaiyun.com/Hu_Linson/article/details/121250799

版权

本文介绍了softmax回归在多分类问题中的应用，通过FashionMNIST数据集进行演示。首先，加载并展示了数据集，然后设置了批量大小进行训练。接着，初始化模型参数，定义了线性模型、softmax函数、损失函数、准确度计算和梯度下降优化器。最后，训练模型并在训练集和测试集上评估了准确性。经过4个epoch的训练，模型取得了较高的准确率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

softmax回归

一、softmax用来干什么？

单一的线性模型只能处理二分类问题，对于多分类问题，引入softmax回归
线性回归模型适用于输出为连续值的情景。在另一类情景中，模型输出可以是一个像图像类别这样的离散值。对于这样的离散值预测问题，我们可以使用诸如softmax回归在内的分类模型。和线性回归不同，softmax回归的输出单元从一个变成了多个，且引入了softmax运算使输出更适合离散值的预测和训练

二、代码

1.引入库

import torch
import torchvision.transforms as transforms
import matplotlib.pyplot as plt
import torchvision
from d2l import torch as d2l

train_data=torchvision.datasets.FashionMNIST(root='~/data',train=True,download=True,transform=transforms.ToTensor())
test_data=torchvision.datasets.FashionMNIST(root='~/data',train=False,download=True,transform=transforms.ToTensor())

说明1、train_data,test_data,分别是FashionMNIST数据集的训练集和测试集，其中对于下载下来的图像集，需要把它转换为tensor类型，否则返回的是PIL图像，并且此时的尺寸由（H W C）变为（C H W）

2.验证第一张图像的尺寸和类别

print(train_data[0][0].shape,train_data[0][1])
#torch.Size([1, 28, 28])  9

3.展示前十张图片

def show_images(images):
    plt.Figure()
    _,figs = plt.subplots(1,10,figsize=(

最低0.47元/天解锁文章