输出维度

在softmax 分类中 我们输出与类别一样多。 数据集有10个类别，所以网络输出维度为10。

 初始化权重和偏置

torch.norma 生成一个均值为 0，标准差为0.01,一个形状为size=(num_inputs, num_outputs)的张量

偏置生成一个num_outputs =10 的一维张量，并用0初始化 

W = torch.normal(0, 0.01, size=(num_inputs, num_outputs), requires_grad=True)###
b = torch.zeros(num_outputs, requires_grad=True)

requires_grad=True，PyTorch 会在后向传播过程中自动计算该张量的梯度，这对于优化模型参数非常重要。

sum 运算符工作机制：

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)

sum = 0 张量按列求和 sum = 1 张量按行求和 

定义softmax函数 

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

测试

X = torch.normal(0, 1, (2, 5))
X_prob = softmax(X)
print(X_prob)
print(X_prob.sum(1))

定义sofrmax模型：

softmax 回归模型 定义

def net(X):
    return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

 W.shape[0]表示权重的第一维大小

reshape 函数会根据原始张量 X 的元素总数和你提供的其他维度来计算出 -1 代表的维度

定义交叉熵损失函数：

回顾

y = torch.tensor([0, 2])
y_hat = torch.tensor([[0.1, 0.3, 0.6], [0.3, 0.2, 0.5]])
print(y_hat[[0, 1], y])

y 张量是两个真实类别，第0类和第二类

y_hat 是对两个类别 在三种类别上的预测，真实的第0类预测结果为0.1，第2类预测结果为0.5

输出，取出y_hat的指定索引，

• 对于第一个样本（索引 0），取 y_hat[0, 0]，即 0.1。
• 对于第二个样本（索引 1），取 y_hat[1, 2]，即 0.5。

def cross_entropy(y_hat, y):
    return - torch.log(y_hat[range(len(y_hat)), y])

print(f'交叉熵损失为{cross_entropy(y_hat, y)}')

交叉熵损失为tensor([2.3026, 0.6931])

定义分类精度：

计算出 正确预测数量与总预测数量之比

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) == y
    return float(cmp.type(y.dtype).sum())
print(accuracy(y_hat, y) / len(y))

• y_hat 的形状为 (2, 3)，这意味着：
  • 第一维的大小是 2，表示有 2 个样本（行）。
  • 第二维的大小是 3，表示每个样本有 3 个类别的预测概率（列）。

因此，y_hat.shape[1] 返回的是第二维的大小，也就是 3。这个值表示每个样本的类别数。在这个例子中，y_hat 中的每一行包含了对应样本对 3 个类别的预测概率。

print :y_hat.argmax(axis=1) 预测值张量为[2,2],与y = torch.tensor([0, 2])做对比

将布尔张量转换为整型张量

将[False,True]，转换为0，1形式

(cmp.type(y.dtype).sum())

报错RuntimeError: DataLoader worker (pid(s) 12452, 3084, 29000, 29444) exited unexpectedly解决方法：

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
test_iter.num_workers = 0
train_iter.num_workers = 0

再训练迭代器和测试迭代器后加入

定义评估模型准确率函数：

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]

 if isinstance(net, torch.nn.Module)是一个Python内置函数，用于检查对象net是否是torch.nn.Module类的实例。

• 创建一个Accumulator对象，用于累加正确预测的数量和预测的总数量。Accumulator类会存储两个值。

• 调用模型net对输入X进行预测，得到预测结果，然后使用accuracy函数计算预测的准确数量。y.numel()返回标签y中的元素总数（即样本数量），这两个值一起传递给metric.add()进行累加。

代码分析：

    def add(self, *args):
        self.data = [a + float(b) for a, b in zip(self.data, args)]

• zip函数将self.data（当前存储的累积值）和args（输入的多个参数）配对。假设self.data是一个包含n个元素的列表，而args也是一个包含n个元素的可变参数列表。
• 例如，如果self.data = [3.0, 5.0]，而args = (2, 1)，zip会生成[(3.0, 2), (5.0, 1)]的迭代器。
• [a + float(b) for a, b in zip(self.data, args)]是一个列表推导式，用于遍历zip生成的配对。在这个过程中：
  • a是self.data中的当前元素。
  • b是args中的当前元素。
• 对每一对(a, b)，该表达式计算a + float(b)，将b转换为浮点数并与a相加。
• 

 预测：

def predict_ch3(net, test_iter, n=9):  #@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)
d2l.plt.show()