pytorch 实现线性回归 softmax（Pytorch 04）

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y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-MNIS服务器托管网T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 

# (,
#  )

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) == 服务器托管网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)
# 0.1045

3.6 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  0.7, train_acc
    assert 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)

服务器托管，北京服务器托管，服务器租用 http://www.fwqtg.net

相关推荐: 基于YOLOv8/YOLOv7/YOLOv6/YOLOv5的日常场景下的人脸检测系统（深度学习模型+PySide6界面+训练数据集+Python代码）

摘要：开发用于日常环境中的人脸识别系统对增强安全监测和提供定制化服务极为关键。本篇文章详细描述了运用深度学习技术开发人脸识别系统的全过程，并附上了完整的代码。该系统搭建在强大的YOLOv8算法之上，并通过与YOLOv7、YOLOv6、YOLOv5的性能比较，展…