pytorch学习——Softmax与分类模型
2020-03-01 20:13
92 查看
Softmax与分类模型
Softmax原理
softmax通过下式将输出值变换成值为正且和为1的概率分布:
因此softmax运算不改变预测类别输出。
pytorch定义softmax函数如下:
def softmax(X): X_exp = X.exp() partition = X_exp.sum(dim=1, keepdim=True) return X_exp / partition
定义softmax回归模型:
def net(X): return softmax(torch.mm(X.view((-1, num_inputs)), W) + b)
交叉熵损失函数
对于分类问题常用交叉熵损失函数:
def cross_entropy(y_hat, y): return - torch.log(y_hat.gather(1, y.view(-1, 1)))
模型训练和预测
在训练好softmax回归模型后,给定任一样本特征,就可以预测每个输出类别的概率。通常,我们把预测概率最大的类别作为输出类别。使用准确率(accuracy)来评价模型的表现。它等于正确预测数量与总预测数量之比。
- 点赞
- 收藏
- 分享
- 文章举报
相关文章推荐
- TensorFlow学习Day3读取csv文件,动手写个logistic,softmax分类模型
- tensorflow学习-示例1(MNIST数据集合上的softmax分类模型)
- 深度学习新应用:在PyTorch中用单个2D图像创建3D模型
- 文本情感分类:深度学习模型
- 统计学习:泛化能力、生成模型、判别模型、分类、标注和回归问题
- (三)tensorflow学习之旅——mnist的softmax分类示例
- <模型汇总_9> 深度学习网络的表达方式汇总及模型分类方法
- 线性回归、Softmax与分类模型、多层感知机
- OpenCV3与深度学习实例-使用GoogLeNet模型进行图片分类识别
- 一种自动分类数据方法2_判断模型好坏_学习曲线 luikimfai
- 文本情感分类(二):深度学习模型
- caffe的python接口学习(6):用训练好的模型(caffemodel)来分类新的图片
- caffe的python接口学习:用训练好的模型(caffemodel或者h5)来分类新的图片
- 【转】[caffe]深度学习之图像分类模型AlexNet解读
- 深度学习图像处理:双线性CNN (Bilinear cnn)- 细粒度图像分类模型
- 利用分类模型学习特征权重
- [caffe]深度学习之图像分类模型AlexNet解读
- 机器学习笔记(IX)线性模型(V)多分类学习
- 文本情感分类:深度学习模型(2)
- 文本情感分类:深度学习模型(2)