《Pytorch深度学习实践》P9 多分类问题 笔记+代码+作业：Softmax原理、x.view()用法、mnist数据集分类代码、奥托集团产品分类挑战作业

 b站的up主刘二大人的《PyTorch深度学习实践》P9 笔记+代码，视频链接。

所需Otto Group Product数据：

• 数据集kaggle网址：Otto Group Product Classification Challenge | Kaggle
•  或者数据集网盘链接：百度网盘 请输入提取码 提取码：2024

---

目录

一、Softmax

二、x.view()用法

三、CrossEntropyLoss <==> LogSoftmax + NLLLoss

四、mnist数据集分类代码（PPT中）

五、作业：奥托集团产品分类挑战

---

一、Softmax

1、定义：Softmax 函数是一种将原始分类分数（logits）转换为概率分布的激活函数，常用于多分类问题的输出层。

2、数学表达：给定一个向量，Softmax 函数定义为：

其中 是类别   的概率。

3、特性

• 输出范围：Softmax 的输出值在 (0,1) 之间。
• 归一化：所有输出值的和为 1，即 。
• 竞争性：输出值之间是相对的，某一类别的概率越高，其他类别的概率相对降低。

4、应用场景 多分类问题的神经网络最后一层，生成概率分布，用于分类任务。

5、梯度计算 Softmax 的梯度计算相对复杂，通常通过链式法则和雅可比矩阵进行推导。

6、优势与劣势

• 优势：可以处理任意数量的分类，提供概率输出。
• 劣势：对于极端分数（极大或极小），可能导致数值不稳定问题，常用技术如“减去最大值”以提高稳定性：

---

二、x.view()用法

1、介绍：x.view() 是 PyTorch 中用于改变张量形状的方法。它不改变张量的内容，只是改变视图。

2、基本用法：shape可以是一个整数或一个元组，指定新形状的维度。使用-1自动推断某个维度的大小。

# shape：新的形状，必须与原始张量的总元素数量相匹配。
x.view(shape)

3、使用示例：

import torch

# 创建一个张量
x = torch.tensor([[1, 2, 3], [4, 5, 6]])

# 改变形状为一维
y = x.view(-1)  # 输出：tensor([1, 2, 3, 4, 5, 6])

# 改变形状为二维
z = x.view(3, 2)  # 输出：tensor([[1, 2], [3, 4], [5, 6]])

# 使用-1自动推算维度; 自动推算第二维度为2
z = x.view(3, -1)  #输出：tensor([[1, 2], [3, 4], [5, 6]])