如何使用PyTorch实现Softmax在多分类任务中的实战技巧？
- 内容介绍
- 文章标签
- 相关推荐
本文共计1224个文字，预计阅读时间需要5分钟。
多分类任务中一种常用的作法是在最后一层添加softmax归一化，将值压缩至[0,1]区间，其中值最大的维度对应的位置即为该样本对应的类别。本文采用PyTorch框架，选用经典图像数据集MNIST进行一波多分类学习。
多分类一种比较常用的做法是在最后一层加softmax归一化，值最大的维度所对应的位置则作为该样本对应的类。本文采用PyTorch框架，选用经典图像数据集mnist学习一波多分类。
MNIST数据集
MNIST 数据集(手写数字数据集)来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据。MNIST数据集下载地址:yann.lecun.com/exdb/mnist/。手写数字的MNIST数据库包括60,000个的训练集样本，以及10,000个测试集样本。
其中：
train-images-idx3-ubyte.gz (训练数据集图片)
train-labels-idx1-ubyte.gz （训练数据集标记类别）
t10k-images-idx3-ubyte.gz: （测试数据集）
t10k-labels-idx1-ubyte.gz（测试数据集标记类别）
MNIST数据集是经典图像数据集，包括10个类别(0到9)。
本文共计1224个文字，预计阅读时间需要5分钟。
多分类任务中一种常用的作法是在最后一层添加softmax归一化，将值压缩至[0,1]区间，其中值最大的维度对应的位置即为该样本对应的类别。本文采用PyTorch框架，选用经典图像数据集MNIST进行一波多分类学习。
多分类一种比较常用的做法是在最后一层加softmax归一化，值最大的维度所对应的位置则作为该样本对应的类。本文采用PyTorch框架，选用经典图像数据集mnist学习一波多分类。
MNIST数据集
MNIST 数据集(手写数字数据集)来自美国国家标准与技术研究所, National Institute of Standards and Technology (NIST). 训练集 (training set) 由来自 250 个不同人手写的数字构成, 其中 50% 是高中学生, 50% 来自人口普查局 (the Census Bureau) 的工作人员. 测试集(test set) 也是同样比例的手写数字数据。MNIST数据集下载地址:yann.lecun.com/exdb/mnist/。手写数字的MNIST数据库包括60,000个的训练集样本，以及10,000个测试集样本。
其中：
train-images-idx3-ubyte.gz (训练数据集图片)
train-labels-idx1-ubyte.gz （训练数据集标记类别）
t10k-images-idx3-ubyte.gz: （测试数据集）
t10k-labels-idx1-ubyte.gz（测试数据集标记类别）
MNIST数据集是经典图像数据集，包括10个类别(0到9)。