李沐-动手学深度学习-softmax的简洁实现

最新推荐文章于 2025-06-11 11:29:15 发布

原创

最新推荐文章于 2025-06-11 11:29:15 发布 · 511 阅读

3 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #人工智能 #线性回归

import torch
from torch import nn
from d2l import torch as d2l

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

#1.初始化模型参数：为了实现我们的模型，我们只需在Sequential中添加一个带有10个输出的全连接层
#同样，在这里Sequential并不是必要的，但它是实现深度模型的基础。我们仍然以均值0和标准差0.01随机初始化权重。
#pytorch不会隐式地调整输入的形状。在线性层前定义了展平层（flatten）,来调整网络输入的形状
net = nn.Sequential(nn.Flatten(),nn.Linear(784,10))
def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight,std=0.01)
net.apply(init_weights);

#2.重新审视Softmax的实现:没有将softmax概率传递到损失函数中，而是在交叉熵损失函数中传递未规范化的预测,并同时计算softmax及其对数，这是一种类似“LogSumExp技巧”的聪明方式。
loss = nn.CrossEntropyLoss(reduction='none')
#3.优化算法：使用学习率为0.1的小批量随机梯度下降作为优化算法。这与我们在线性回归例子中的相同，这说明了优化器的普适性。
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
#4.训练
num_epochs = 10
d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)
d2l.plt.show()