机器学习笔记：多类逻辑回归

Posted 2020-10-15 菩提树下的杨过

仍然是 动手学尝试学习系列的笔记，原文见：多类逻辑回归 — 从0开始 。 这篇的主要目的，是从一堆服饰图片中，通过机器学习识别出每个服饰图片对应的分类是什么（比如：一个看起来象短袖上衣的图片，应该归类到T-Shirt分类）

示例代码如下，这篇的代码略复杂，分成几个步骤解读：

 

一、下载数据，并显示图片及标签

 1 from mxnet import gluon
 2 from mxnet import ndarray as nd
 3 import matplotlib.pyplot as plt
 4 import mxnet as mx
 5 from mxnet import autograd
 6 
 7 def transform(data, label):
 8     return data.astype(\'float32\')/255, label.astype(\'float32\')
 9 
10 #训练数据集（需联网下载，网速慢时，会很卡）
11 mnist_train = gluon.data.vision.FashionMNIST(train=True, transform=transform)
12 
13 #测试数据集（需联网下载）
14 mnist_test = gluon.data.vision.FashionMNIST(train=False, transform=transform)
15 
16 # data, label = mnist_train[0]
17 # (\'example shape: \', data.shape, \'label:\', label)
18 
19 #显示服饰图片
20 def show_images(images):
21     n = images.shape[0]
22     _, figs = plt.subplots(1, n, figsize=(15, 15))
23     for i in range(n):
24         figs[i].imshow(images[i].reshape((28, 28)).asnumpy())
25         figs[i].axes.get_xaxis().set_visible(False)
26         figs[i].axes.get_yaxis().set_visible(False)
27     plt.show()
28 
29 #获取图片对应分类标签文本
30 def get_text_labels(label):
31     text_labels = [
32         \'T 恤\', \'长 裤\', \'套头衫\', \'裙 子\', \'外 套\',
33         \'凉 鞋\', \'衬 衣\', \'运动鞋\', \'包 包\', \'短 靴\'
34     ]
35     return [text_labels[int(i)] for i in label]
36 
37 #下面这些代码，用于辅助大家理解示例图片数据集内部结构
38 # tup1 = mnist_train[0:1] #取出训练集的第1个样本
39 # print(type(tup1)) #<class \'tuple\'> 可以看出这是个元组类型
40 # print(len(tup1)) #2 有2个元素
41 # print(type(tup1[0])) #<class \'mxnet.ndarray.ndarray.NDArray\'> 第1个元素是一个矩阵
42 # print(type(tup1[1])) #<class \'numpy.ndarray\'> 第2个元素是numpy的矩阵
43 # print(tup1[0].shape) #(1, 28, 28, 1) 第1个元素是一个四维矩阵，用来存储每张图中的像素点对应的值,最后1维表示RGB通道，这里只取了1个通道
44 # print(tup1[1].shape) #(1,) 第2个元素用于表示图片对应的文本分类的索引值
45 # print(tup1[0]) #打印第1个元素（即：四维矩阵的值），<NDArray 1x28x28x1 @cpu(0)> 结果太长，就不列在注释里了
46 # print(tup1[1]) #[2.]，打印第2个元素（即：该图片对应的分类索引数值）
47 # print(get_text_labels(tup1[1])) #显示分类索引值对应的文本[\'pullover\']
48 
49 #取出训练集中的图片数据，以及图片标签索引值
50 data, label = mnist_train[0:10]
51 
52 #打印数据集的相关信息
53 print(\'example shape: \', data.shape, \'label:\', label)
54 
55 #显示图片
56 show_images(data)
57 
58 #打印图片分类标签
59 print(get_text_labels(label))

View Code

首次运行时，可能会很久都没有反应，让人误以为代码有问题，其实背后在联网下载数据，去睡会儿，等醒来的时候，估计就下载好了~_~，下载的数据会保存在~/.mxnet/datasets/fashion-mnist目录（mac环境）：

下载完成后，上面的代码会将图片数据解析并显示出来，类似下面这样：

 

二、读取数据并初始化参数

 1 #批量读取数据
 2 batch_size = 256
 3 #训练集
 4 train_data = gluon.data.DataLoader(mnist_train, batch_size, shuffle=True)
 5 #测试集
 6 test_data = gluon.data.DataLoader(mnist_test, batch_size, shuffle=False)
 7 
 8 #每张图片的像素用向量表示，就是28*28的长度，即：784
 9 num_inputs = 784
10 #要预测10张图片，即：输出结果长度为10的向量
11 num_outputs = 10
12 
13 #初始化权重W、偏置b参数矩阵
14 W = nd.random_normal(shape=(num_inputs, num_outputs))
15 b = nd.random_normal(shape=num_outputs)
16 
17 params = [W, b]
18 
19 #附加梯度，方便后面用梯度下降法计算
20 for param in params:
21     param.attach_grad()

View Code

这与之前的 机器学习笔记(1)：线性回归 很类似，不再重复解释 

 

三、创建模型

 1 #归一化函数
 2 def softmax(X):
 3     exp = nd.exp(X)
 4     partition = exp.sum(axis=1, keepdims=True)
 5     return exp / partition
 6 
 7 #计算模型(仍然是类似y=w.x+b的方程)
 8 def net(X):
 9     return softmax(nd.dot(X.reshape((-1, num_inputs)), W) + b)
10 
11 #损失函数(使用交叉熵函数)
12 def cross_entropy(yhat, y):
13     return - nd.pick(nd.log(yhat), y)
14 
15 #梯度下降法
16 def SGD(params, lr):
17     for param in params:
18         param[:] = param - lr * param.grad

View Code

其中softmax(归一化)及交叉熵cross_entropy，详情可参考上篇：归一化(softmax)、信息熵、交叉熵

 

四、如何评估准确度

 1 #计算准确度
 2 def accuracy(output, label):
 3     return nd.mean(output.argmax(axis=1) == label).asscalar()
 4 
 5 def _get_batch(batch):
 6     if isinstance(batch, mx.io.DataBatch):
 7         data = batch.data[0]
 8         label = batch.label[0]
 9     else:
10         data, label = batch
11     return data, label
12 
13 #评估准确度
14 def evaluate_accuracy(data_iterator, net):
15     acc = 0.
16     if isinstance(data_iterator, mx.io.MXDataIter):
17         data_iterator.reset()
18     for i, batch in enumerate(data_iterator):
19         data, label = _get_batch(batch)
20         output = net(data)
21         acc += accuracy(output, label)
22     return acc / (i+1)

View Code

机器学习的效果如何，通常要有一个评价值，上面的函数就是用来估计算法和模型准确度的。

注: 这里面用到了二个新的函数mean,argmax 解释一下

mean类似sql中的avg函数，就是求平均值，即把一个矩阵的所有元数加起来，然后除以元数个数

from mxnet import ndarray as nd
x = nd.array([1,2,3,4,5,6]);
print(x,x.mean(),(1+2+3+4+5+6)/6.0)

输出如下：

[ 1.  2.  3.  4.  5.  6.]
<NDArray 6 @cpu(0)> 
[ 3.5]
<NDArray 1 @cpu(0)> 3.5

而argmax，是找出（指定轴向）最大值的索引下标

from mxnet import ndarray as nd
x = nd.array([1,4,7,3,6])
print(x.argmax(axis=0))

输出为[ 2.]，即：第3列数字7最大。再来个多维矩阵的

如上图，多维矩阵时，如果指定axis=0，表示轴的方向是纵向（自上而下），显然第1列中的最大值7在第2行（即：row_index是1)，第2列的最大值9在第3行（即：row_index=2)，类推第3列的最大值8在第1行（row_index=0)，最终输出的结果就是[1, 2, 0]

如果把axis指定为1，则轴的方向为横向（自左向右），如下图：

axis为1时，输出的索引，为列下标（即：第几列），显然8在第2列，7在第0列，9在第1列。

现在我们来想一下：为啥argmax结合mean这二个函数，可以用来评估准确度？

答案：预测的结果也是一个矩阵，通常预测对了，该元素值为1，预测错误则为0。

如上图，假如有3个指标，预测对了2个，第三行，一个都没预测对，那么准确率为2/3，即0.6666左右

 

五、训练

 1 #学习率
 2 learning_rate = .1
 3 
 4 #开始训练
 5 for epoch in range(5):
 6     train_loss = 0.
 7     train_acc = 0.
 8     for data, label in train_data:
 9         with autograd.record():
10             output = net(data)
11             loss = cross_entropy(output, label)
12         loss.backward()
13         SGD(params, learning_rate / batch_size)
14         train_loss += nd.mean(loss).asscalar()
15         train_acc += accuracy(output, label)
16 
17     test_acc = evaluate_accuracy(test_data, net)
18     print("Epoch %d. Loss: %f, Train acc %f, Test acc %f" % (
19         epoch, train_loss / len(train_data), train_acc / len(train_data), test_acc))

View Code

训练过程与之前的机器学习笔记(1)：线性回归 套路一样，参看之前的即可。

 

六、显示预测结果

1 #显示结果    
2 data, label = mnist_test[0:10]
3 show_images(data)
4 print(\'true labels\')
5 print(get_text_labels(label))
6 
7 predicted_labels = net(data).argmax(axis=1)
8 print(\'predicted labels\')
9 print(get_text_labels(predicted_labels.asnumpy()))

View Code

运行结果，参考下图：

可以看到损失函数的计算值在一直下降（即：计算在收敛），最终的结果中红线部分为100%预测正确的，其它一些外形相似的分类：衬衣、T恤、套头衫、外套 这些都是"有袖子类的上衣"，并没有完全预测正确，但整体方向还是对的（即：并没有把"上衣"识别成"鞋子"或"包包"等明显不靠谱的分类），最终的模型、算法及参数有待进一步提高。