《动手学深度学习》softmax回归的从零开始实现

最新推荐文章于 2024-10-07 17:18:18 发布

原创

最新推荐文章于 2024-10-07 17:18:18 发布 · 885 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #回归 #人工智能

本文详细介绍了如何从零开始实现softmax回归，包括初始化模型参数、定义softmax操作、定义模型、定义损失函数、计算分类精度、训练模型以及进行预测。通过实例代码展示了每个步骤，并提供了训练过程的可视化。最后，文章还提供了预测函数，用于对测试数据进行预测。整个过程展示了深度学习模型训练的基本流程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

3.6. softmax回归的从零开始实现（动手学深度学习）
代码学习笔记

import torch
from IPython import display
from d2l import torch as d2l

batch_size = 256
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)

3.6.1 初始化模型参数

num_inputs = 784
num_outputs = 10

W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)
b = torch.zeros(num_outputs, requires_grad=True)

3.6.2 定义softmax操作

X=torch.tensor([[1.0,2.0,3.0],[4.0,5.0,6.0]])
#分别以维度0和1求和,6=【1，2，3】相加 15=【4，5，6】自己相加
X.sum(0,keepdim=True),X.sum(1,keepdim=True)

def softmax(X):
  X_exp = torch.exp(X)
  partition = X_exp.sum(1,keepdim=True)
  #广播机制，每一项除以总和，求概率，每行概率和为1
  return X_exp / partition

X = torch.normal(0,1,(2,5))
X_prob = softmax(X)
X_prob,X_prob.sum(1)

3.6.3 定义模型

def net(X):
  return softmax(torch.matmul(X.reshape((-1,W.shape[0])),W)+b)

3.6.4 定义损失函数

y = torch.tensor([0,2])
y_hat = torch.tensor([[0.1,0.3,0.6],[0.3,0.2,0.5]])
#[0,1]对应y[0]->0.y[1]->2;
#从中选取y_hat[0,0]->0.1,y_hat[1,2]->0.5
y_hat[[0,1],y]

def cross_entropy(y_hat,y):
  #y_hat=torch.tensor([[0.1,0.3,0.6],[0.3,0.2,0.5]])得出len(y_hat)=2
  #-torch.log(y_hat[0][0])、-torch.log(y_hat[1][2])
  return -torch.log(y_hat[range(len(y_hat