Softmax回归——使用Gluon

我们在“线性回归——使用Gluon”一节中已经了解了使用Gluon实现模型的便利。下面,让我们使用Gluon来实现一个Softmax回归模型。

首先导入本节实现所需的包或模块。

In [1]:
import sys
sys.path.append('..')
import gluonbook as gb
from mxnet import autograd, gluon, init, nd
from mxnet.gluon import loss as gloss, nn

获取和读取数据

我们仍然使用Fashion-MNIST数据集。我们使用和上一节中相同的批量大小。

In [2]:
batch_size = 256
train_iter, test_iter = gb.load_data_fashion_mnist(batch_size)

定义和初始化模型

在使用Gluon定义模型时,我们先通过添加Flatten实例将每张原始图片用向量表示。它的输出是一个行数为batch_size的矩阵,其中每一行代表了一个样本向量。在“分类模型”一节中,我们提到Softmax回归的输出层是一个全连接层。因此,我们继续添加一个输出个数为10的全连接层。我们使用均值为0标准差为0.01的正态分布随机初始化模型的权重参数。

In [3]:
net = nn.Sequential()
net.add(nn.Flatten())
net.add(nn.Dense(10))
net.initialize(init.Normal(sigma=0.01))

Softmax和交叉熵损失函数

如果你做了上一节的练习,那么你可能意识到了分开定义Softmax运算和交叉熵损失函数可能会造成数值不稳定。因此,Gluon提供了一个包括Softmax运算和交叉熵损失计算的函数。它的数值稳定性更好。

In [4]:
loss = gloss.SoftmaxCrossEntropyLoss()

定义优化算法

我们使用学习率为0.1的小批量随机梯度下降作为优化算法。

In [5]:
trainer = gluon.Trainer(net.collect_params(), 'sgd', {'learning_rate': 0.1})

训练模型

接下来,我们使用上一节中定义的训练函数来训练模型。

In [6]:
num_epochs = 5
gb.train_cpu(net, train_iter, test_iter, loss, num_epochs, batch_size, None,
             None, trainer)
epoch 1, loss 0.7896, train acc 0.748, test acc 0.801
epoch 2, loss 0.5732, train acc 0.812, test acc 0.824
epoch 3, loss 0.5292, train acc 0.823, test acc 0.825
epoch 4, loss 0.5061, train acc 0.829, test acc 0.835
epoch 5, loss 0.4886, train acc 0.834, test acc 0.841

小结

  • Gluon提供的函数往往具有更好的数值稳定性。
  • 我们可以使用Gluon更简洁地实现Softmax回归。

练习

  • 尝试调一调超参数,例如批量大小、迭代周期和学习率,看看结果会怎样。

扫码直达讨论区