通過深度學(xué)習(xí)框架的高級API也能更方便地實(shí)現(xiàn)分類模型。讓我們繼續(xù)使用Fashion-MNIST數(shù)據(jù)集，并保持批量大小為256。

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)

初始化模型參數(shù)

由于sofrmax回歸的輸出層是一個(gè)全連接層，因此，為了實(shí)現(xiàn)我們的模型，我們只需在Sequential中添加一個(gè)帶有10個(gè)輸出的全連接層。同樣，在這里，Sequential并不是必要的，但我們可能會形成這種習(xí)慣。因?yàn)樵趯?shí)現(xiàn)深度模型時(shí)，Sequential將無處不在。我們?nèi)匀灰跃?和標(biāo)準(zhǔn)差0.01隨機(jī)初始化權(quán)重。

# PyTorch不會隱式地調(diào)整輸入的形狀。因此，我們在線性層前定義了展平層（flatten），來調(diào)整網(wǎng)絡(luò)輸入的形狀
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)

重新審視softmax的實(shí)現(xiàn)

在前面的例子中，我們計(jì)算了模型的輸出，然后將此輸出送入交叉熵?fù)p失。從數(shù)學(xué)上講，這是一件完全合理的事情。然而，從計(jì)算角度來看，指數(shù)可能會造成數(shù)值穩(wěn)定性的問題，包括上溢和下溢。

我們也希望保留傳統(tǒng)的softmax函數(shù)，以備我們需要評估通過模型輸出的概率。但是，我們沒有將softmax概率傳遞到損失函數(shù)中，而是在交叉熵?fù)p失函數(shù)中傳遞未歸一化的預(yù)測，并同時(shí)計(jì)算softmax及其對數(shù)。

loss = nn.CrossEntropyLoss()

優(yōu)化算法

在這里，我們使用學(xué)習(xí)率為0.1的小批量隨機(jī)梯度下降作為優(yōu)化算法。這與我們在線性回歸例子中的相同，這說明了優(yōu)化器的普適性。

trainer = torch.optim.SGD(net.parameters(), lr=0.1)

以上就是pytorch機(jī)器學(xué)習(xí)softmax回歸的簡潔實(shí)現(xiàn)的詳細(xì)內(nèi)容，更多關(guān)于pytorch機(jī)器學(xué)習(xí)softmax回歸的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非maisonbaluchon.cn所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。