刘二大人 PyTorch深度学习实践 笔记 P9 多分类问题
P9 多分类问题
1、softmax函数
糖尿病数据集分类为0和1,MNIST数据集有10个分类怎么办?输出时输出10个y?
神经网络希望输出之间是带有竞争性的,即所有概率之和为1,且所有概率均大于0,softmax可以实现这两点。
图中绿色框中就是指包括softmax的计算过程:
2、作业:CrossEntropyLoss vs NULLoss
I NLLLoss损失函数
代码实现如下:
import numpy as np
y = np.array([1, 0, 0])
z = np.array([0.2, 0.1, -0.1])
y_pred = np.exp(z) / np.exp(z).sum()
loss = (- y * np.log(y_pred)).sum()
print(loss)
输出:
0.9729189131256584
II CrossEntropyLoss损失函数
CrossEntropyLoss损失函数 = Softmax + NLLLoss损失函数
神经网络的最后一层不需要做激活(经过Softmax层的计算),直接输入到CrossEntropyLoss损失函数中就可以。
代码实现如下:
import torch
y = torch.LongTensor([0]) # 使用了one-hot,标签类型是LongTensor
z = torch.Tensor([[0.2, 0.1, -0.1]])
criterion = torch.nn.CrossEntropyLoss()
loss = criterion(z, y)
print(loss)
输出:
tensor(0.9729)
III 举例
import torch
criterion = torch.nn.CrossEntropyLoss()
# Y表示第几个标签分类
Y = torch.LongTensor([2, 0, 1]) # 注意此处是LongTensor
Y_pred1 = torch.Tensor([[0.1, 0.2, 0.9],
[1.1, 0.1, 0.2],
[0.2, 2.1, 0.1]])
Y_pred2 = torch.Tensor([[0.8, 0.2, 0.3],
[0.2, 0.3, 0.5],
[0.2, 0.2, 0.5]])
l1 = criterion(Y_pred1, Y)
l2 = criterion(Y_pred2, Y)
print("Batch Loss1 = ", l1.data, "\nBatch Loss2 = ", l2.data)
输出:
Batch Loss1 = tensor(0.4966)
Batch Loss2 = tensor(1.2389)
3、应用在MINIST数据集
I 实现过程
- 准备数据集
- 设计模型
- 构造损失函数和优化器
- 训练+测试(前馈、反馈、更新)
II 实现代码
import torch
from torchvision import transforms # transforms针对图像进行一些处理
from torchvision import datasets
from torch.utils.data import DataLoader
import torch.nn.functional as F # relu激活函数
import torch.optim as optim # 优化器
# 1. 准备数据集
batch_size = 64
# 读图像的时候 将像素转化成图像张量
transform = transforms.Compose([
transforms.ToTensor(),
# 均值 标准差 => 切换到0-1正态分布
transforms.Normalize((0.1307, ), (0.3081, ))
])
# 在视觉里面,灰度图就是一个矩阵,但实际上并不是一个矩阵,我们把它叫做单通道图像,彩色图像是RGB三通道图像,通道有宽度和高度,一般我们读进来的图像张量是WHC(宽高通道)
# 在PyTorch里面我们需要将WHC转化成CWH,把通道放在前面是为了在PyTorch里面进行更高效的图像处理,卷积运算
train_dataset = datasets.MNIST(root='dataset/mnist/',
train=True,
download=True,
transform=transform)
train_loader = DataLoader(train_dataset,
shuffle=True,
batch_size=batch_size)
test_dataset = datasets.MNIST(root='dataset/mnist',
train=False,
download=True,
transform=transform)
test_loader = DataLoader(test_dataset,
shuffle=False,
batch_size=batch_size)
# 2. 设计模型
# 设计模型
class Net(torch.nn.Module):
def __init__(self):
super(Net, self).__init__()
self.l1 = torch.nn.Linear(784, 512)
self.l2 = torch.nn.Linear(512, 256)
self.l3 = torch.nn.Linear(256, 128)
self.l4 = torch.nn.Linear(128, 64)
self.l5 = torch.nn.Linear(64, 10)
def forward(self, x):
x = x.view(-1, 784) # -1表示自动算n
x = F.relu(self.l1(x))
x = F.relu(self.l2(x))
x = F.relu(self.l3(x))
x = F.relu(self.l4(x)) # 不用做激活
return self.l5(x)
model = Net()
# 3. 构建损失函数和优化器
# 构建损失函数和优化器
criterion = torch.nn.CrossEntropyLoss()
optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)
# 4. 训练+测试
# 定义训练函数
def train(epoch):
running_loss = 0.0
for batch_idx, data in enumerate(train_loader, 0):
inputs, target = data
optimizer.zero_grad()
# 前馈+反馈+更新
outputs = model(inputs)
loss = criterion(outputs, target)
loss.backward()
optimizer.step()
running_loss += loss.item()
# 每300次迭代输出一次
if batch_idx % 300 == 299:
print('[%d,%5d] loss:%.3f' % (
epoch + 1, batch_idx + 1, running_loss / 300))
running_loss = 0.0
# 定义测试函数
def test():
correct = 0
total = 0
with torch.no_grad(): # 不会再去计算梯度
for data in test_loader:
images, labels = data
outputs = model(images)
# 沿着第一维度找最大值的下标
_, predicted = torch.max(outputs.data, dim=1) # _ 是占位符,表示有值,但是用不着
total += labels.size(0) # (N, 1)取第0个元素
correct += (predicted == labels).sum().item()
print('Accuracy on test set:%d %%' % (100 * correct / total))
# 实例化训练和测试
if __name__ == '__main__':
# 训练10轮
for epoch in range(10):
train(epoch)
test()
输出:
[1, 300] loss:2.256
[1, 600] loss:1.102
[1, 900] loss:0.432
Accuracy on test set:89 %
[2, 300] loss:0.331
[2, 600] loss:0.279
[2, 900] loss:0.238
Accuracy on test set:93 %
[3, 300] loss:0.198
[3, 600] loss:0.180
[3, 900] loss:0.158
Accuracy on test set:95 %
[4, 300] loss:0.137
[4, 600] loss:0.124
[4, 900] loss:0.119
Accuracy on test set:96 %
[5, 300] loss:0.102
[5, 600] loss:0.101
[5, 900] loss:0.093
Accuracy on test set:96 %
[6, 300] loss:0.083
[6, 600] loss:0.072
[6, 900] loss:0.078
Accuracy on test set:97 %
[7, 300] loss:0.063
[7, 600] loss:0.060
[7, 900] loss:0.064
Accuracy on test set:97 %
[8, 300] loss:0.047
[8, 600] loss:0.052
[8, 900] loss:0.054
Accuracy on test set:97 %
[9, 300] loss:0.040
[9, 600] loss:0.040
[9, 900] loss:0.042
Accuracy on test set:97 %
[10, 300] loss:0.030
[10, 600] loss:0.031
[10, 900] loss:0.035
Accuracy on test set:97 %
损失不断降低,准确率高达97%,但是到最后准确率就上不去了,是因为对图像用全连接神经网络忽略了对局部信息的利用,把所有的元素都全连接了,处理时权重不够高,处理图像时更关心高级别的特征。
如果可以先做特征提取,再做分类训练,效果可能会好些。
人工特征(wavelet )提取方法:FFT傅里叶变换、小波变化,
自动特征提取:CNN
5、作业
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。