一 softmax 定义
softmax 是多分类问题，对决策结果不是多少，而是分类，哪一个。
为了估计所有可能类别的条件概率，我们需要一个有 多个输出的模型，每个类别对应一个输出。为了解决线 性模型的分类问题，我们需要和输出一样多的仿射函数（affine function）。每个输出对应于它自己的仿射函数。在我们的例子中，由于我们有 4个特征和3个可能的输出类别，我们将需要12个标量来表示权重（带下标 的w），3个标量来表示偏置（带下标的b）。
与线性回归一样，softmax回归也是一个 单层神经网络。 由于计算每个输出o1、o2和o3取决于所有输入x1、x2、x3和x4，所以softmax回归的 输出层也是全连接层。
现在我们将优化参数以最大化观测数据的概率。为了得到预测结果，我们将设置一个阈值，如 选择具有最大概率的标签。
要将输出视为概率，我们必须 保证在任何数据上的输出都是非负的且总和为1。此外，我们需要一个训练的目标函数，来激励模型精准地估计概率。
尽管softmax是一个非线性函数，但softmax回归的输出仍然由输入特征的仿射变换决定。因此，softmax回归是一个线性模型（linear model）。
1.1 交叉熵损失：
导数是我们softmax模型分配的概率与实际发生的情况（由独热标签向量表示）之间的差异。从 这个意义上讲，这与我们在回归中看到的非常相似，其中 梯度是观测值y和估计值yˆ之间的差异。这不是巧合， 在任何指数族分布模型中，对数似然的梯度正是由此得出的。这使 梯度计算在实践中变得容易很多。对于标签y，我们可以使用与以前相 同的表示形式。唯一的区别是，我们现在用一个 概率向量 表示，如(0.1, 0.2, 0.7)，而不是仅包含二元项的向 量(0, 0, 1)。我们使用下公式来定义损失l，它是所有标签分布的预期损失值。此损失称为交叉熵损失（cross‐ entropy loss），它是分类问题最常用的损失之一。
1.2 模型预测和评估
在训练softmax回归模型后，给出任何样本特征，我们可以 预测每个输出类别的概率。通常我们 使用预测概率最高的类别作为输出类别。如果预测与实际类别（标签）一致，则预测是正确的。在接下来的实验中，我 们将使用精度（accuracy）来评估模型的性能。精度等于正确预测数与预测总数之间的比率。
- softmax运算获取一个向量并将其映射为概率。
- softmax回归适用于分类问题，它使用了softmax运算中输出类别的概率分布。
二 MNIST数据集 导入
Fashion‐MNIST由 10个类别的图像 组成，每个类别由训练数据集（train dataset）中的6000张图像和测试数据 集（test dataset）中的1000张图像组成。
%matplotlib inline
import torch
import torchvision
from torch.utils import data
from torchvision import transforms
from d2l import torch as d2l
d2l.use_svg_display()# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式，
# 并除以255使得所有像素的数值均在0～1之间
trans = transforms.ToTensor() # download=True
mnist_train = torchvision.datasets.FashionMNIST(root="../data", train=True,
transform=trans, download=False)
mnist_test = torchvision.datasets.FashionMNIST(root="../data", train=False,
transform=trans, download=False)
len(mnist_train), len(mnist_test)
# (60000, 10000)每个输入图像的高度和宽度均为28像素。数据集由灰度图像组成，其通道数为1。
mnist_train[0][0].shape
# torch.Size([1, 28, 28])Fashion‐MNIST中包含的10个类别，分别为 t‐shirt（T恤）、trouser（裤子）、pullover（套衫）、dress（连衣 裙）、coat（外套）、sandal（凉鞋）、shirt（衬衫）、sneaker（运动鞋）、bag（包）和ankle boot（短靴）。
def get_fashion_mnist_labels(labels): #@save
"""返回Fashion-MNIST数据集的文本标签"""
text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
return [text_labels[int(i)] for i in labels]
def show_images(imgs, num_rows, num_cols, titles=None, scale=1.5): #@save
"""绘制图像列表"""
figsize = (num_cols * scale, num_rows * scale)
_, axes = d2l.plt.subplots(num_rows, num_cols, figsize=figsize)
axes = axes.flatten()
for i, (ax, img) in enumerate(zip(axes, imgs)):
if torch.is_tensor(img):
# 图片张量
ax.imshow(img.numpy())
else:
# PIL图片
ax.imshow(img)
ax.axes.get_xaxis().set_visible(False)
ax.axes.get_yaxis().set_visible(False)
if titles:
ax.set_title(titles[i])
return axes
X, y = next(iter(data.DataLoader(mnist_train, batch_size=18)))
show_images(X.reshape(18, 28, 28), 2, 9, titles=get_fashion_mnist_labels(y));
三 从零开始实现 softmax
3.1 读取 MNIST数据集
def get_dataloader_workers(): #@save
"""使用4个进程来读取数据"""
return 4
def load_data_fashion_mnist(batch_size, resize=None): #@save
"""下载Fashion-MNIST数据集，然后将其加载到内存中"""
trans = [transforms.ToTensor()]
if resize:
trans.insert(0, transforms.Resize(resize))
trans = transforms.Compose(trans)
mnist_train = torchvision.datasets.FashionMNIST(
root="../data", train=True, transform=trans, download=True)
mnist_test = torchvision.datasets.FashionMNIST(
root="../data", train=False, transform=trans, download=True)
return (data.DataLoader(mnist_train, batch_size, shuffle=True,
num_workers=get_dataloader_workers()),
data.DataLoader(mnist_test, batch_size, shuffle=False,
num_workers=get_dataloader_workers()))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)
train_iter, test_iter
# (<torch.utils.data.dataloader.DataLoader at 0x27e6143bd30>,
# <torch.utils.data.dataloader.DataLoader at 0x27e61e1a970>)3.2 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)
W, b
# (tensor([[ 7.8446e-03, 3.8895e-04, 7.4652e-03, ..., 7.9335e-03,
# -2.6370e-02, -3.4869e-03],
# [ 1.1907e-02, -1.7130e-03, -5.7840e-04, ..., 1.7916e-04,
# -5.7439e-03, 9.6542e-03],
# [ 3.0170e-02, -1.4055e-02, 1.8777e-02, ..., 8.5911e-03,
# 4.6043e-03, 3.0010e-03],
# ...,
# [-1.2875e-03, -8.0845e-03, -3.4810e-02, ..., 1.0136e-02,
# -1.7731e-02, 3.4934e-03],
# [-3.7752e-03, -6.9249e-03, 9.0967e-04, ..., 1.6938e-02,
# 1.4804e-02, 8.6243e-03],
# [ 1.7685e-02, -6.8463e-03, -4.2527e-05, ..., 5.0289e-03,
# -9.5934e-03, -6.3647e-03]], requires_grad=True),
# tensor([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.], requires_grad=True))3.3 定义softmax操作
给定一个矩阵X，我们可以对所有元素求和（默认情况下）。也可以 只求同一个轴上的元素，即 同一列（轴0）或同一行（轴1）。如果X是一个形状为(2, 3)的张量，我们 对列进行求和，则结果将是一个具 有形状(3,)的向量。当调用sum运算符时，我们可以指定保持在原始张量的轴数，而不折叠求和的维度。这将 产生一个具有形状(1, 3)的二维张量。
X = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
X.sum(0, keepdim=True), X.sum(1, keepdim=True)
# (tensor([[5., 7., 9.]]),
# tensor([[ 6.],
# [15.]]))3.4 定义模型
定义了输入如何通过网络映射到输出。注 意，将数据传递到模型之前，我们使用 reshape 函数将每张原始图像 展平为向量。
def softmax(X):
X_exp = torch.exp(X)
partition = X_exp.sum(1, keepdim=True)
return X_exp / partition # 这里应用了广播机制X = torch.normal(0, 1, (2, 5))
X_prob = softmax(X)
X_prob, X_prob.sum(1)
# (tensor([[0.0589, 0.1685, 0.4852, 0.0695, 0.2180],
# [0.7117, 0.0458, 0.0469, 0.1268, 0.0688]]),
# tensor([1., 1.]))def net(X):
return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)
3.5 定义损失
实现引入的 交叉熵损失函数。这可能是深度学习中 最常见的损失函数，因为目前 分类问题的数量远远超过回归问题的数量。 回顾一下，交叉熵采用真实标签的预测概率的负对数似然。
y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
y_hat[[0, 1], y]
# tensor([0.1000, 0.5000])def cross_entropy(y_hat, y):
return - torch.log(y_hat[range(len(y_hat)), y])
cross_entropy(y_hat, y)
# tensor([2.3026, 0.6931])给定预测概率分布y_hat，当我们必须输出硬预测（hard prediction）时，我们 通常选择预测概率最高的类。 许多应用都要求我们做出选择。如Gmail必须将电子邮件分类为“Primary（主要邮件）”、“Social（社交邮 件）”“Updates（更新邮件）”或“Forums（论坛邮件）”。Gmail做分类时可能在内部估计概率，但最终它必 须在类中选择一个。
当 预测与标签分类y一致时，即是正确的。分类精度即正确预测数量与总预测数量之比。
为了计算精度，我们执行以下操作。首先，如果y_hat是矩阵，那么假定第二个维度存储每个类的预测分数。 我们使用argmax获得每行中最大元素的索引来获得预测类别。然后我们将预测类别与真实y元素进行比较。由 于等式运算符“==”对数据类型很敏感，因此我们 将 y_hat 的数据类型转换为与y的数据类型一致。结果是一 个包含0（错）和1（对）的张量。
def accuracy(y_hat, y): #@save
"""计算预测正确的数量"""
if len(y_hat.shape) > 1 and y_hat.shape[1] > 1:
y_hat = y_hat.argmax(axis=1)
cmp = y_hat.type(y.dtype) == y
return float(cmp.type(y.dtype).sum())accuracy(y_hat, y) / len(y)
# 0.5对于任意 数据迭代器 data_iter 可访问的数据集，我们可以评估在任意模型net的精度。
def evaluate_accuracy(net, data_iter): #@save
"""计算在指定数据集上模型的精度"""
if isinstance(net, torch.nn.Module):
net.eval() # 将模型设置为评估模式
metric = Accumulator(2) # 正确预测数、预测总数
with torch.no_grad():
for X, y in data_iter:
metric.add(accuracy(net(X), y), y.numel())
return metric[0] / metric[1]这里定义一个实用程序类Accumulator，用于 对多个变量进行累加。在上面的evaluate_accuracy函数中，我 们在Accumulator实例中创建了2个变量，分别用于 存储正确预测的数量和预测的总数量。当我们遍历数据集 时，两者都将随着时间的推移而累加。
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]由于我们使用随机权重初始化net模型，因此该模型的精度应接近于随机猜测。例如在 有10个类别情况下的 精度为0.1。
evaluate_accuracy(net, test_iter)
# 0.10453.6 执行训练
def train_epoch_ch3(net, train_iter, loss, updater): #@save
"""训练模型一个迭代周期（定义见第3章）"""
# 将模型设置为训练模式
if isinstance(net, torch.nn.Module):
net.train()
# 训练损失总和、训练准确度总和、样本数
metric = Accumulator(3)
for X, y in train_iter:
# 计算梯度并更新参数
y_hat = net(X)
l = loss(y_hat, y)
if isinstance(updater, torch.optim.Optimizer):
# 使用PyTorch内置的优化器和损失函数
updater.zero_grad()
l.mean().backward()
updater.step()
else:
# 使用定制的优化器和损失函数
l.sum().backward()
updater(X.shape[0])
metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())
# 返回训练损失和训练精度
return metric[0] / metric[2], metric[1] / metric[2]在展示训练函数的实现之前，我们定义一个在 动画中绘制 数据的实用程序类Animator：
class Animator: #@save
"""在动画中绘制数据"""
def __init__(self, xlabel=None, ylabel=None, legend=None, xlim=None,
ylim=None, xscale='linear', yscale='linear',
fmts=('-', 'm--', 'g-.', 'r:'), nrows=1, ncols=1,
figsize=(3.5, 2.5)):
# 增量地绘制多条线
if legend is None:
legend = []
d2l.use_svg_display()
self.fig, self.axes = d2l.plt.subplots(nrows, ncols, figsize=figsize)
if nrows * ncols == 1:
self.axes = [self.axes, ]
# 使用lambda函数捕获参数
self.config_axes = lambda: d2l.set_axes(
self.axes[0], xlabel, ylabel, xlim, ylim, xscale, yscale, legend)
self.X, self.Y, self.fmts = None, None, fmts
def add(self, x, y):
# 向图表中添加多个数据点
if not hasattr(y, "__len__"):
y = [y]
n = len(y)
if not hasattr(x, "__len__"):
x = [x] * n
if not self.X:
self.X = [[] for _ in range(n)]
if not self.Y:
self.Y = [[] for _ in range(n)]
for i, (a, b) in enumerate(zip(x, y)):
if a is not None and b is not None:
self.X[i].append(a)
self.Y[i].append(b)
self.axes[0].cla()
for x, y, fmt in zip(self.X, self.Y, self.fmts):
self.axes[0].plot(x, y, fmt)
self.config_axes()
display.display(self.fig)
display.clear_output(wait=True)接下来我们实现一个训练函数，它会在 train_iter访问到的训练数据集上训练一个模型net。该训练函数将 会运行多个迭代周期（由num_epochs指定）。在每个迭代周期结束时，利用test_iter访问到的测试数据集对 模型进行评估。我们将利用Animator类来可视化训练进度。
def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save
"""训练模型（定义见第3章）"""
animator = Animator(xlabel='epoch', xlim=[1, num_epochs], ylim=[0.3, 0.9],
legend=['train loss', 'train acc', 'test acc'])
for epoch in range(num_epochs):
train_metrics = train_epoch_ch3(net, train_iter, loss, updater)
test_acc = evaluate_accuracy(net, test_iter)
animator.add(epoch + 1, train_metrics + (test_acc,))
train_loss, train_acc = train_metrics
assert train_loss < 0.5, train_loss
assert train_acc <= 1 and train_acc > 0.7, train_acc
assert test_acc <= 1 and test_acc > 0.7, test_acc作为一个从零开始的实现，我们使用定义的 小批量随机梯度下降 来优化模型的损失函数，设置学习 率为0.1。
lr = 0.1
def updater(batch_size):
return d2l.sgd([W, b], lr, batch_size)我们训练模型 10个迭代周期。迭代周期（num_epochs）和学习率（lr）都是可调节的超参数。 通过更改它们的值，我们可以提高模型的分类精度。
num_epochs = 10
train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)
3.7 执行训练
def predict_ch3(net, test_iter, n=6): #@save
"""预测标签（定义见第3章）"""
for X, y in test_iter:
break
trues = d2l.get_fashion_mnist_labels(y)
preds = d2l.get_fashion_mnist_labels(net(X).argmax(axis=1))
titles = [true +'\n' + pred for true, pred in zip(trues, preds)]
d2l.show_images( X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])
predict_ch3(net, test_iter)
训练过程：先读取数据，再定义模型和损失函数，然后 使用优化算法训练模型。大多数常见的深度学习模型都有类似的训练过程。
四 导包实现
import torch
from torch import nn
from d2l import torch as d2l读取数据集：
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
len(train_iter), len(test_iter)
# (235, 40)初始化权重：
# PyTorch不会隐式地调整输入的形状。因此，
# 我们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)
# Sequential(
# (0): Flatten(start_dim=1, end_dim=-1)
# (1): Linear(in_features=784, out_features=10, bias=True)
# )定义 交叉熵损失损失：
loss = nn.CrossEntropyLoss(reduction='none')
loss
# CrossEntropyLoss()梯度转换：
trainer = torch.optim.SGD(net.parameters(), lr = 0.1)
trainer
# SGD (
# Parameter Group 0
# dampening: 0
# differentiable: False
# foreach: None
# lr: 0.1
# maximize: False
# momentum: 0
# nesterov: False
# weight_decay: 0
# )执行训练：
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
![[AutoSar]BSW_ OS CORE, Physical core,EcuC core,EcuC partition,OSApplication的关系](https://img-blog.csdnimg.cn/direct/24df3012cecf49b787bd957427246f75.png)
