码迷,mamicode.com
首页 > 其他好文 > 详细

小白学习之pytorch框架(4)-softmax回归(torch.gather()、torch.argmax())

时间:2020-01-01 23:40:54      阅读:179      评论:0      收藏:0      [点我收藏+]

标签:显示   use   evel   image   news   width   row   form   argmax   

学习pytorch路程之动手学深度学习-3.4-3.7

置信度、置信区间参考:https://cloud.tencent.com/developer/news/452418 本人感觉还是挺好理解的

交叉熵参考博客:https://www.cnblogs.com/kyrieng/p/8694705.html   https://blog.csdn.net/tsyccnh/article/details/79163834  个人感觉还不错,好理解

(这段瞅瞅就行了)torchvision包,服务于PyTorch深度学习框架的,用于构建计算机视觉模型,主要构成有:

  torchvision.datasets:加载数据的函数及常用的数据集接口  

  torchvision.mdoels:包含常用的模型结构(含预训练模型),例如AlexNet、VGG、ResNet等

  torchvision.transforms:常用的图片变换,例如裁剪、旋转等

  torchvision.utils:其他一些有用的方法

一行里画出多张图像和对应标签的函数

def show_fashion_mnist(images, labels):
    use_svg_display()
    # 这里的_表示我们忽略(不使用)的变量
    _, figs = plt.subplots(1, len(images), figsize=(12, 12))
  
  # subplots(row, cloumn, figsize=(12, 12)) row:子图的行数,即有几行;column:子图的列数,即一行有几个图;
  # figsize:子图的Height和Width 其他参数请参考博客https://www.cnblogs.com/zhouzhe-blog/p/9614761.html 感谢大佬
  # fig, ax = subplots() fig:返回一个图像fig(这是一个整幅图像,含有子图);ax:返回子图列表(fig的子图)
for f, img, lbl in zip(figs, images, labels):
     # zip()把可迭代的对象中的元素打包成一个个的元组,返回这些元组的列表。若是可迭代对象的元素个数不一致,
     # 则返回列表的长度与最短的对象相同https://www.runoob.com/python/python-func-zip.html      f.imshow(img.view((28, 28)).numpy()) # imshow(x,cmap) x表示要显示图片的变量,cmap为颜色图谱,默认为RGB(A) # imshow()其他参数可百度
     f.set_title(lbl) # 设置图像标题 f.axes.get_xaxis().set_visible(False) # 设置x轴不可见 f.axes.get_yaxis().set_visible(False) # 设置y轴不可见 plt.show()

 查看数据集前10个图片及对应标签

X, y = [], []
for i in range(10):
    X.append(mnist_train[i][0])  # 每个图片对应的tensor(形状如torch.size([1, 28, 28]))附加到列表X中
    y.append(mnist_train[i][1])  # 每个图像对应的labels的数字代表(即用0-9代替了标签)
show_fashion_mnist(X, get_fashion_mnist_labels(y)) 
# get_fashion_mnist_labels()通过数字获取对应的标签 show_fashion_mnist()显示图片和对应的label

softmax回归实现

  torch.gather()函数的理解

  下面说说我对gather()函数的理解,gather(input,dim,index,out=None),对于gather函数我百度了一些解释,参考了一些博客,如  https://www.jianshu.com/p/5d1f8cd5fe31  (对dim=0时的三维tensor解释的可以)   https://blog.csdn.net/edogawachia/article/details/80515038

以上述第一个博客的tensor为例,

input = tensor([[[18.,   5.,   7.,   1.,   1.],
              [  3.,  26.,   9.,   7.,   9.],
              [ 10.,  28.,  22.,  27.,   0.]],

             [[ 26.,  10.,  20.,  29.,  18.],
              [  5.,  24.,  26.,  21.,   3.],
              [ 10.,  29.,  10.,   0.,  22.]]])

index = torch.LongTensor([[[0,1,2,0,2],
                          [0,0,0,0,0],
                          [1,1,1,1,1]],
                        [[1,2,2,2,2],
                         [0,0,0,0,0],
                         [2,2,2,2,2]]])
首先明确tensor的形状是(2,3,5),即第一层中括号里有2个维度,第二层中括号里有3个维度,第三层中括号里有5个维度,所以(2,3,5)
dim = 1
  即用index里值修改代替index对应位置的数值的下标中第2个下标值。例如index中下标为(0,0,0)的对应值0,用对应值0替换
  下标中第2个值0得出(0,0,0),然后去input中取下标为(0,0,0)的值18放入输出tensor下标(0,0,0)对应位置
index中下标为(0,0,1)的对应
  值1,用
对应值1替换下标中第2个值得出(0,1,1),取出input中下标为(0,1,1)的值为26放入输出tensor下标(0,0,1)对应位置index中下标为(1,0,1)
  对应值2,用对应值2替换下标中第2个值得出(1,2,1),取出input中下标为(1,2,1)的值为29放入输出tensor下标(1,0,1)对应位置。
  依次类推,得出输出tensor如下:
  tensor([[[ 18., 26., 22., 1., 0.],
        [ 18., 5., 7., 1., 1.],
        [ 3., 26., 9., 7., 9.]],
        [[ 5., 29., 10., 0., 22.],
        [ 26., 10., 20., 29., 18.],
        [ 10., 29., 10., 0., 22.]]])
dim = 2
  同理dim=1,这次只不过是替换下标中第3个值。如index中下标为(0,0,4)的对应值2,替换后得(0,0,2),取input值为7
index2 = torch.LongTensor([[[0,1,1,0,1],
                          [0,1,1,1,1],
                          [1,1,1,1,1]],
                        [[1,0,0,0,0],
                         [0,0,0,0,0],
                         [1,1,0,0,0]]])
 dim = 0
  同理dim=1,这次是替换下标中第1个值。如index2中下标为(0,0,1)的对应值1,替换后的(1,0,1),取input值为10

 torch.argmax()函数的理解

  我真是菜的一批,看了好久(一看就困),以博客 https://blog.csdn.net/weixin_42494287/article/details/92797061 的三维的例子为例,说一下个人的理解

a=torch.tensor([
              [
                  [1, 5, 5, 2],
                  [9, -6, 2, 8],
                  [-3, 7, -9, 1]
              ],
              [
                  [-1, 7, -5, 2],
                  [9, 6, 2, 8],
                  [3, 7, 9, 1]
              ]])
# a的形状为(2,3,4) 比较时,若是第一块和第二块比,值一样,则取第二块的位置值;dim表示维度,要干掉的维度
b=torch.argmax(a,dim=0)
  dim=0,干掉第一维,也就是剩下(3,4),即红色中括号里对应位置数字相比,第一个红色中括号对应位置数字大,则取0,否则取1。
  值相同取第二个红色中括号对应值1(对应上面的黑色粗体字)。(为什么取0/1?)   结果:
  tensor([[0, 1, 0, 1],
      [1, 1, 1, 1],
      [1, 1, 1, 1]])
c=torch.argmax(a,dim=1)
  dim=1,干掉第二维,也就是剩下(2,4),即蓝色和荧光绿色中括号里对应位置数字相对蓝色剩一行荧光绿色剩一行。以蓝色为例,第一个蓝色中括号
  数值大则取0,第二个蓝色中括号数值大则取1,第三个蓝色中括号数值大则取2。(为什么取0/1/2?)   结果:
  tensor([[1, 2, 0, 1],
      [1, 2, 2, 1]])
d=torch.argmax(a,dim=2)
  dim=2,干掉第三维,也就是剩下(2,3),即红色中括号为2,蓝色和荧光绿色为3,也就是蓝色和荧光绿色中括号里剩一个值并转置(或者说取了值后放
  在一个列表里)。例如:第一个蓝色中括号:有2个5,取第二个5,取值2;第二个蓝色中括号:9最大,取值0;第三个蓝色中括号:7最大,取值1。组成
列表为[2,0,1]
  结果:
  tensor([[2, 0, 1],
      [1, 0, 2]])
二维也一样,去掉某一维即可

 看明白了argmax函数后,torch.sum(input,dim,output)也就懂了,不过sum是把要干掉的维度上数求和(即合并成一个)

小白学习之pytorch框架(4)-softmax回归(torch.gather()、torch.argmax())

标签:显示   use   evel   image   news   width   row   form   argmax   

原文地址:https://www.cnblogs.com/JadenFK3326/p/12120924.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!