深度学习--全连接层、高阶应用、GPU加速

MSE均方差

Cross Entropy Loss：交叉熵损失

Entropy 熵：

1948年，香农将统计物理中熵的概念，引申到信道通信的过程中，从而开创了信息论这门学科，把信息中排除了冗余后的平均信息量称为“信息熵”。香农定义的“熵”又被称为香农熵或信息熵，即

其中标记概率空间中所有可能的样本，表示该样本的出现几率，是和单位选取相关的任意常数。

针对此问题，熵越大，不确定程度就越大，对于其中信息量的讨论参考知乎。

在信息学里信息量大代表着数据离散范围小，不确定性小。香农作为一个信息学家，他关心的是信息的正确传递，所以信息熵代表着信息传递的不确定性的大小。所以在信息学上，使用香农公式算出来的这个值，在信息学上叫做信息熵值，在熵权法中叫做冗余度值或者叫偏离度值，它的本来含义是指一个确定无疑的信息源发送出来的信息，受到干扰以后，衡量偏离了原始精确信息的程度。离散度越大，计算得这个值越小，则收到的信息越不可靠，得到的信息越小。这个值越大，则收到的信息越可靠，得到的信息越多。

在统计学里，就完全不是这样。统计学家不认为存在仅有一个的确定无疑的原始信息。而是认为收到的统计数字都是确信无疑的，只是由于发送主体可能是很多主体，或者是同一主体不同时间，不同地点，或者是统计渠道不同等等原因，得到了一组具有离散性的数值。在这种情况下，离散性越大，熵值越小，代表着信息量越大，所以权重越大。

a=torch.full([4],1/4)

#tensor([0.2500, 0.2500, 0.2500, 0.2500])

#计算交叉熵

-(a*torch.log2(a)).sum()

#tensor(2.)

交叉熵在神经网络中作为损失函数，p表示真实标记的分布，q则为训练后的模型的预测标记分布，交叉熵损失函数可以衡量p与q的相似性。交叉熵作为损失函数还有一个好处是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题，因为学习速率可以被输出的误差所控制。

交叉熵计算：H(p,q)=

MNIST再实现

import  torch

import  torch.nn as nn

import  torch.nn.functional as F

import  torch.optim as optim

from    torchvision import datasets, transforms

batch_size=200

learning_rate=0.01

epochs=10

#加载数据集DataLoader(数据位置，batch_size,shuffle是否打乱，num_workers=4:4线程处理）

    #torchvision.datasets.MNIST(root,train,transform,download)   root指下载到的位置，train指是否下载训练集，transform指对图片进行转换后返回，download指是否下载

        #torchvision.transforms([transforms.ToTensor(),transforms.Normalize((mean),(std))])

            #transforms.ToTensor()做了三件事：1.归一化/255 2.数据类型转为torch.FloatTensor  3.shape(H,W,C)->(C,H,W)

            #transforms.Normalize((mean),(std)) :用均值和标准差对张量图像进行归一化

train_loader = torch.utils.data.DataLoader(

    datasets.MNIST('../data', train=True, download=True,

                   transform=transforms.Compose([

                       transforms.ToTensor(),

                       transforms.Normalize((0.1307,), (0.3081,))

                   ])),

    batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(

    datasets.MNIST('../data', train=False, transform=transforms.Compose([

        transforms.ToTensor(),

        transforms.Normalize((0.1307,), (0.3081,))

    ])),

    batch_size=batch_size, shuffle=True)

w1, b1 = torch.randn(200, 784, requires_grad=True),\

         torch.zeros(200, requires_grad=True)

w2, b2 = torch.randn(200, 200, requires_grad=True),\

         torch.zeros(200, requires_grad=True)

w3, b3 = torch.randn(10, 200, requires_grad=True),\

         torch.zeros(10, requires_grad=True)

torch.nn.init.kaiming_normal_(w1)

torch.nn.init.kaiming_normal_(w2)

torch.nn.init.kaiming_normal_(w3)

def forward(x):

    x = x@w1.t() + b1

    x = F.relu(x)

    x = x@w2.t() + b2

    x = F.relu(x)

    x = x@w3.t() + b3

    x = F.relu(x)

    return x

optimizer = optim.SGD([w1, b1, w2, b2, w3, b3], lr=learning_rate)

criteon = nn.CrossEntropyLoss()

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):

        data = data.view(-1, 28*28)

        logits = forward(data)

#        print(data.shape, target.shape,logits.shape)

        loss = criteon(logits, target)

        optimizer.zero_grad()

        loss.backward()

        # print(w1.grad.norm(), w2.grad.norm())

        optimizer.step()

        if batch_idx % 100 == 0:

            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(

                epoch, batch_idx * len(data), len(train_loader.dataset),

                       100. * batch_idx / len(train_loader), loss.item()))

    test_loss = 0

    correct = 0

    for data, target in test_loader:

        data = data.view(-1, 28 * 28)

        logits = forward(data)

        test_loss += criteon(logits, target).item()

        pred = logits.data.max(1)[1]

        #print(pred)

        correct += pred.eq(target.data).sum()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(

        test_loss, correct, len(test_loader.dataset),

        100. * correct / len(test_loader.dataset)))

全连接层

import torch

import torch.nn as nn

import torch.nn.functional as F

x=torch.randn(1,784)

x.shape

#torch.Size([1, 784])

# nn.Linear(输入、输出）

layer1 = nn.Linear(784,200)

layer2 = nn.Linear(200,200)

layer3 = nn.Linear(200,10)

x=layer1(x)

x=F.relu(x,inplace=True)

x.shape

#torch.Size([1, 200])

x=layer2(x)

x=F.relu(x,inplace=True)

x.shape

#torch.Size([1, 200])

x=layer3(x)

x=F.relu(x,inplace=True)

x.shape

#torch.Size([1, 10])

网络定义的高阶用法

import torch

import torch.nn as nn

import torch.nn.functional as F

import  torch.optim as optim

class MLP(nn.Module):

    def __init__(self):

        super(MLP,self).__init__()

        self.model = nn.Sequential(

            nn.Linear(784,200),

            nn.ReLU(inplace=True),

            nn.Linear(200,200),

            nn.ReLU(inplace=True),

            nn.Linear(200,10),

            nn.ReLU(inplace=True),

        )

    def forward(self,x):

        x=self.model(x)

        return x

net= MLP()

optimizer = optim.SGD(net.parameters(),lr=learning_rate)

criteon = nn.CrossEntropyLoss()

其他的激活函数 SELU、softplus、

GPU加速

import  torch

import  torch.nn as nn

import  torch.nn.functional as F

import  torch.optim as optim

from    torchvision import datasets, transforms

batch_size=200

learning_rate=0.01

epochs=10

#加载数据集DataLoader(数据位置，batch_size,shuffle是否打乱，num_workers=4:4线程处理）

    #torchvision.datasets.MNIST(root,train,transform,download)   root指下载到的位置，train指是否下载训练集，transform指对图片进行转换后返回，download指是否下载

        #torchvision.transforms([transforms.ToTensor(),transforms.Normalize((mean),(std))])

            #transforms.ToTensor()做了三件事：1.归一化/255 2.数据类型转为torch.FloatTensor  3.shape(H,W,C)->(C,H,W)

            #transforms.Normalize((mean),(std)) :用均值和标准差对张量图像进行归一化

train_loader = torch.utils.data.DataLoader(

    datasets.MNIST('../data', train=True, download=True,

                   transform=transforms.Compose([

                       transforms.ToTensor(),

                       transforms.Normalize((0.1307,), (0.3081,))

                   ])),

    batch_size=batch_size, shuffle=True)

test_loader = torch.utils.data.DataLoader(

    datasets.MNIST('../data', train=False, transform=transforms.Compose([

        transforms.ToTensor(),

        transforms.Normalize((0.1307,), (0.3081,))

    ])),

    batch_size=batch_size, shuffle=True)

class MLP(nn.Module):

    def __init__(self):

        super(MLP, self).__init__()

        self.model = nn.Sequential(

            nn.Linear(784, 200),

            nn.LeakyReLU(inplace=True),

            nn.Linear(200, 200),

            nn.LeakyReLU(inplace=True),

            nn.Linear(200, 10),

            nn.LeakyReLU(inplace=True),

        )

    def forward(self,x):

        x=self.model(x)

        return x

##重点重点！！！ 

device=torch.device('cuda:0')

net = MLP().to(device)

optimizer = optim.SGD(net.parameters(),lr=learning_rate)

criteon = nn.CrossEntropyLoss().to(device)

for epoch in range(epochs):

    for batch_idx, (data, target) in enumerate(train_loader):

        data = data.view(-1, 28*28)

        data,target = data.to(device),target.to(device)

        logits = net(data)

#        print(data.shape, target.shape,logits.shape)

        loss = criteon(logits, target)

        optimizer.zero_grad()

        loss.backward()

        # print(w1.grad.norm(), w2.grad.norm())

        optimizer.step()

        if batch_idx % 100 == 0:

            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(

                epoch, batch_idx * len(data), len(train_loader.dataset),

                       100. * batch_idx / len(train_loader), loss.item()))

    test_loss = 0

    correct = 0

    for data, target in test_loader:

        data = data.view(-1, 28 * 28)

        data, target = data.to(device), target.to(device)

        logits = net(data)

        test_loss += criteon(logits, target).item()

        pred = logits.data.max(1)[1]

        #print(pred)

        correct += pred.eq(target.data).sum()

    test_loss /= len(test_loader.dataset)

    print('\nTest set: Average loss: {:.4f}, Accuracy: {}/{} ({:.0f}%)\n'.format(

        test_loss, correct, len(test_loader.dataset),

        100. * correct / len(test_loader.dataset)))

深度学习--全连接层、高阶应用、GPU加速

深度学习--全连接层、高阶应用、GPU加速

MNIST再实现

全连接层

网络定义的高阶用法

GPU加速

深度学习--全连接层、高阶应用、GPU加速的相关教程结束。

相关推荐

深度优先搜索（DFS）和广度优先搜索（BFS）

深度优先搜索（DFS）与广度优先搜索（BFS）的Java实现

深度优先搜索DFS和广度优先搜索BFS简单解析（新手向）

Leetcode之深度+广度优先搜索（DFS+BFS）专题-934. 最短的桥（Shortest Bridge）

深度优先搜索DFS和广度优先搜索BFS简单解析

深度学习-05(tensorflow模型保存与加载、文件读取、图像分类：手写体识别、服饰识别)

深度解析SpringBoot内嵌Web容器

代码随想录算法训练营Day16二叉树|104.二叉树的最大深度 559.n叉树的最大深度 111.二叉树的最小深度 222.完全二叉树的节点个数