008.softmax 回归简洁实现

import torch
from torch import nn
from d2l import torch as d2l
 
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

初始化模型参数

softmax 回归的输出层是一个全连接层

# 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);

重新审视 Softmax 的实现

在交叉熵损失函数中传递未规范化的预测，并同时计算 softmax 及其对数

loss = nn.CrossEntropyLoss(reduction='none')

优化算法

使用学习率为 0.1 的小批量随机梯度下降作为优化算法

trainer = torch.optim.SGD(net.parameters(), lr=0.1)

训练

调用定义的训练函数来训练模型

num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)