这篇博客介绍了如何使用PyTorch进行深度学习实践，特别是针对MNIST数据集的预处理和CrossEntropyLoss在多分类问题中的应用。内容包括Softmax函数、CrossEntropy损失的计算以及数据预处理步骤，如PIL图像转换、N(0,1)归一化。此外，还展示了训练模型、测试模型和绘制预测结果的代码示例。
来自 B 站刘二大人的《PyTorch深度学习实践》P8 的学习笔记
上一篇 PyTorch 加载数据集 中，我们实战了 MNIST 手写数据集的识别网络，那其实就是一个多分类问题（识别出 10 个类），这时候就要用 softmax，而不是 sigmoid 了。
Softmax
Softmax 函数：
P ( y = i ) = e z i ∑ j = 0 K − 1 e z i , i ∈ { 0 , . . . , K − 1 } P(y = i) = \frac{e^{z_i}}{\sum^{K-1}_{j=0} e^{z_i}}, i \in \{ 0, ..., K - 1 \} P(y=i)=∑j=0K−1eziezi,i∈{
0,...,K−1}
Cross Entropy
Cross Entropy：
Negative Log Likelihood Loss：
Cross Entropy in PyTorch：
最低0.47元/天 解锁文章
扫一扫
4万+
到【灌水乐园】发言
