pytorch使用交叉熵训练模型学习笔记

python代码：

import torch
import torch.nn as nn
import torch.optim as optim

# 定义一个简单的神经网络模型
class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc = nn.Linear(3, 2)  # 输入3维，输出2类

    def forward(self, x):
        return self.fc(x)

# 创建模型实例
model = SimpleModel()

# 创建损失函数
criterion = nn.CrossEntropyLoss()

# 创建优化器
optimizer = optim.SGD(model.parameters(), lr=0.01)

# 定义固定的训练数据
inputs = torch.tensor([
    [0.3, 0.2, 0.1],
    [0.4, 0.5, 0.6],
    [9, 8, 7],
    [10, 11, 102],
    [3, 2, 1],
    [4, 5, 6],
    [9, 8, 7],
    [1.0, 1.1, 102],
    [0.3, 0.2, 0.1],
    [0.4, 0.5, 0.6],
], dtype=torch.float32)  # 10个样本，每个样本3维

targets = torch.tensor([0, 1, 0, 1, 0, 1, 0, 1, 0, 1], dtype=torch.long)  # 真实标签

# 训练模型1000次
num_epochs = 1000

for epoch in range(num_epochs):
    # 前向传播
    outputs = model(inputs)

    # 计算损失
    loss = criterion(outputs, targets)

    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    # 打印损失值
    if (epoch + 1) % 100 == 0:  # 每100次打印一次损失值
        print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}')

print('Training complete.')

# 定义一个待测试的样本
test_sample = torch.tensor([0.5, 5, 500], dtype=torch.float32)

# 预测结果
with torch.no_grad():  # 在测试时不需要计算梯度
    test_output = model(test_sample)
    probabilities = torch.softmax(test_output, dim=0)
    predicted_class = torch.argmax(test_output).item()
    print(f'Test Sample Prediction: Class {predicted_class}')
    print(f'Probabilities: {probabilities.tolist()}')

运行结果

此代码输入10个样本，每个样本3个特征，输出2个类别（升序特征为1，降序特征为0）

下面详细讲解一下 SimpleModel 这个模型的定义和构造

SimpleModel 模型定义

class SimpleModel(nn.Module):
    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc = nn.Linear(3, 2)  # 输入3维，输出2类

    def forward(self, x):
        return self.fc(x)

1.类定义：

class SimpleModel(nn.Module):

这行代码定义了一个名为 SimpleModel 的类，该类继承自 nn.Module。nn.Module 是 PyTorch 中所有神经网络模块的基类。通过继承 nn.Module，我们可以利用 PyTorch 提供的许多有用的功能，例如参数管理和自动求导。

2.初始化方法：

    def __init__(self):
        super(SimpleModel, self).__init__()
        self.fc = nn.Linear(3, 2)  # 输入3维，输出2类

• __init__ 方法是类的构造函数，当创建 SimpleModel 类的实例时会被调用。
• super(SimpleModel, self).__init__() 调用父类（即 nn.Module）的构造函数，初始化父类中的一些属性
• self.fc = nn.Linear(3, 2) 创建一个全连接层（也叫线性层），输入维度为3，输出维度为2。
• nn.Linear 是 PyTorch 中定义全连接层的类。它接受两个参数：输入特征数和输出特征数。这里输入特征数是3，输出特征数是2。

3.前向传播方法：

def forward(self, x):
    return self.fc(x)

• forward 方法定义了模型的前向传播过程，即当输入数据 x 传递给模型时，数据如何通过各层计算最终输出。
• self.fc(x) 将输入 x 传递给全连接层 self.fc，并返回输出

模型的具体构造

1. 全连接层（Linear Layer）：

• 定义：全连接层是指每个输入节点都与输出节点相连，进行线性变换。它的数学表示是：y = xW^T + b，其中 W 是权重矩阵，b 是偏置向量。
• 输入和输出：在这个模型中，全连接层的输入维度是3，输出维度是2。这意味着输入数据应该有3个特征，输出将是2个类别的分数。

2. 模型的参数：

• 权重矩阵：大小为 [2, 3]，表示从3维输入到2维输出的连接权重。
• 偏置向量：大小为 [2]，每个输出类别一个偏置。

数据流动

假设输入数据 x 是一个大小为 [batch_size, 3] 的张量，其中 batch_size 是每批数据的样本数量：

1. 输入数据 x 通过全连接层 self.fc。
2. 全连接层计算输出 y = xW^T + b，输出是一个大小为 [batch_size, 2] 的张量，其中每行是一个样本在两个类别上的分数。