1、导入一些常用包

import torchfrom IPython import displayfrom d2l import torch as d2l

2、划分训练集的测试集

#定义一下小批量个数为256,取256张图片batch_size = 256#读取load_data_fashion_mnist中的数据，然后划分训练集和测试集,都取256张train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# train_iter分为图片和真实值 next(iter(train_iter))[0].shape,next(iter(train_iter))[1].shape

#展示训练集的真实标签next(iter(train_iter))[1]

#展示测试集的真实标签next(iter(test_iter))[1]

3、生成w和b 

#原本的图片是 28乘28一共有784个x 想象成一行方程 w总共有784个 然后还有一个bnum_inputs = 784#输出的label刚好有10种num_outputs = 10#W （784,10） #b 10 一维#W和b都要对梯度更新W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)b = torch.zeros(num_outputs, requires_grad=True)#最后表示10行 785列的一个方程组

W.shape

 

b.shape

 

X = torch.tensor([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])# 0 是按列 1 是按行X.sum(0, keepdim=True), X.sum(1, keepdim=True)

4、softmax函数 

#softmax让所有数变成正数，有负数会影响判断#softmax回归的输出值个数等于标签里的类别数，这里输出完得到0-1的一个数（向量）def softmax(X): #所有来个e，使得X_exp中的数为正数 X_exp = torch.exp(X) #使得输出0-1取值 keepdim 保持输入输出维度一致 partition = X_exp.sum(1, keepdim=True) #这里的广播机制是因为X_exp partition的维度不一致 return X_exp / partition # 这里应用了广播机制

#展现一下softmax实际的效果X = torch.normal(0, 1, (2, 5))X_prob = softmax(X)X_prob, X_prob.sum(1)

5、自定net()，返回0-1的置信度 

#matmul代表的是矩阵之间的乘法 不是点乘#X.reshape 256,784 W 784,10#这里就开始计算输出，后面用softmax使其成为0-1def net(X): #X 256,1,28,28 #X.reshape((-1, W.shape[0])) (256,784) 将4维向量变为2维向量 #(torch.matmul(X.reshape((-1, W.shape[0])), W) (256,10) #后面的b其实是(1，10) 这里运用广播机制 b变成（256，10） #最后利用softmax 得到256行 10列 得到不同照片10的标签分别的置信度！！！！！！！！！ return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

y = torch.tensor([0, 2])y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])#这个表明预测的值#前面[]表示第几个[]；后面的表示[]的第几个y_hat[[0, 1], y]

 

y_hat

6、损失函数：交叉熵的计算！

#因为是分类问题，所以我们要使用交叉熵 -sum(ylog(y_hat))#y_hat[range(len(y_hat))表明行数 #分类问题只有一个交叉熵可用，也就是y=1的交叉熵！！！！！！y=0的时候可以自己忽略def cross_entropy(y_hat, y): #这里的return返回的是-log预测标签的值，真实值逼近预测值！！ #这里-log保证交叉熵永远是正数 return - torch.log(y_hat[range(len(y_hat)), y])cross_entropy(y_hat, y)

7、预测正确的数量 

def accuracy(y_hat, y): #@save """计算预测正确的数量""" #len(y_hat.shape)表示y_hat的行数 y_hat.shape[1]表示y_hat的列数 if len(y_hat.shape) > 1 and y_hat.shape[1] > 1: #经过softmax以后 10个预测值当中取最大值的下标存在y_hat中 #argmax(axis=1)取每行中最大的那个下标 #y_hat.type(y.dtype)将y_hat的类型转换成跟y一样的 #y_hat.type(y.dtype) == y 转换成布尔值 y_hat = y_hat.argmax(axis=1) cmp = y_hat.type(y.dtype) == y #float将布尔值转换为浮点数 return float(cmp.type(y.dtype).sum())

accuracy(y_hat, y) / len(y)

8、指定模型在指定数据集的精度 

#用来评估在任意模型nel的准确率#这里传入实际用的模型和数据迭代器，计算一下数据在模型上的精度def evaluate_accuracy(net, data_iter): #@save """计算在指定数据集上模型的精度""" #如果使用torch.nn.Module形成的模型，if是true进入下面的语句 if isinstance(net, torch.nn.Module): net.eval() # 将模型设置为评估模式，评估模式不用计算梯度 #这边定义了一个metric,初始化为[0.0, 0.0] metric = Accumulator(2) # 正确预测数、预测总数 with torch.no_grad(): for X, y in data_iter: #net(X)算出0-1的预测值 #accuracy()得到正确分类的样本数，y.numel()样本总数 metric.add(accuracy(net(X), y), y.numel()) #return 返回正确分类样本数的比率 return metric[0] / metric[1]

9、Accumulator的创建（随便看看）

#这个代码看一看__init__和add就好了#这个是[[],[]]自己创了一个向量class Accumulator: #@save """在n个变量上累加""" def __init__(self, n): self.data = [0.0] * n # *args表示传入一个数组 zip表示((0,0),(1,2))然后变为 (0,1) (0,2) 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]

#我们这里的net就是softmax得到的一些置信度，test_iter是测试集的一些数据#显示的是正确分类的比例evaluate_accuracy(net, test_iter)

10、一次训练集迭代 

#传入定义好的模型（手动定义或者torch.nn）、训练集、损失函数(交叉熵)、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 #torch.nn神经网络 if isinstance(net, torch.nn.Module): #开始训练,计算梯度 net.train() # 训练损失总和、训练准确度总和、样本数 # 长度为3的累加器 metric = Accumulator(3) for X, y in train_iter: # 计算梯度并更新参数 #y_hat经过softmat的置信度 y_hat = net(X) l = loss(y_hat, y) #如果updater是torch.optim.Optimizer的话 if isinstance(updater, torch.optim.Optimizer): # 使用PyTorch内置的优化器和损失函数 #梯度设为0 updater.zero_grad() #计算梯度 l.mean().backward() #更新一下 updater.step() else: # 使用定制的优化器和损失函数 #向量转换为标量 l.sum().backward() #根据batch_size大小更新一下 updater(X.shape[0]) #返回cost fuction，精确度，样本总数 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]

11、这个动画函数随便看看

#动画这里有空去掌握一下，这里不是重点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)

12、正式开始训练！

#这个是用来训练本次训练集的模型#传入模型、训练集、测试集、损失函数、迭代次数、updater（sgd 小批量梯度下降）def train_ch3(net, train_iter, test_iter, loss, num_epochs, updater): #@save """训练模型（定义见第3章）""" #可视化的套件忽略 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): # 返回训练损失和训练精度 train_metrics = train_epoch_ch3(net, train_iter, loss, updater) #返回测试集的精度 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

lr = 0.1#小批量随机梯度下降优化损失函数def updater(batch_size): return d2l.sgd([W, b], lr, batch_size)

num_epochs = 20train_ch3(net, train_iter, test_iter, cross_entropy, num_epochs, updater)

13、开始预测啦！！！！！ 

def predict_ch3(net, test_iter, n=20): #@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)] #这里的reshape还是有点没懂 d2l.show_images( X[0:n].reshape((n, 28, 28)), 1, n, titles=titles[0:n])predict_ch3(net, test_iter)