d2l中各种内定函数的笔记

原创

已于 2023-03-10 17:59:46 修改 · 1.4k 阅读

12 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能

于 2023-03-06 16:04:07 首次发布

Accumulator类用于在训练过程中累加多个变量，如损失函数总和、正确预测数和样本总数。train_epoch_ch3函数展示了如何在每个批次(batch)后更新这些指标，并最终得到整个训练集的平均损失和精度。在Fashion_MNIST数据集的示例中，每个批次包含32个样本，特征维度为(32,1,64,64)，标签为整数类型。

Accumulator()类与train_epoch_ch3

首先看一下类的定义：

class Accumulator:  #@save
    """在n个变量上累加"""
    def __init__(self, n):
        self.data = [0.0] * n
 
    def 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]

这里首先对类里面的函数进行说明，第一个[0.0] * n

这里的n对应的是Accumulator(n)里面这个传入的参数，如果传入3，则data变成[0,0,0]

对于add(self, *args) ：这里的self是刚刚初始化self.data，*args接收非关键字的传参可以是元组，或者是字符串

对于打包操作,如下图所示

a = [0, 0, 0]
b = [3, 7, 1]
zip(a, b)
>>>[(0, 3), (0, 7), (0, 1)]

for i, j in zip(a, b):
    print(i, j)

>>>0 3
   0 7
   0 1

>>> zip(*zipped)          # 与 zip 相反，*zipped 可理解为解压，返回二维矩阵式
[(0, 0, 0), (1, 2, 3)]

对应这个操作[a + float(b) for a, b in zip(self.data, args)]，如上图返回值所示，a=0对应b=3,故第一项为3，其余返回值列表如下所示：