Softmax回归简洁版import torch
from torch import nn
from d2l import torch as d2l
import liliPytorch as lp
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
#初始化
#Pytorch 不会隐式地调整输入的形状
net = nn.Sequential(nn.Flatten(), nn.Linear(784,10))
"""
nn.Sequential是PyTorch中的一个容器，
它将多个层（modules）按照它们在传入的顺序组合在一起。
数据按顺序通过这些层进行传递。
nn.Flatten()：这是一个将输入张量（tensor）展平的层。
它会将多维的输入张量展平成一维。
nn.Linear(784, 10)：这是一个全连接层（或线性层）。
它将输入张量从大小为784的向量变换为大小为10的向量。
这个操作相当于进行一个矩阵乘法，再加上一个偏置向量。
通常用于分类任务中将展平后的图像数据映射到10个类别
"""
#这个参数是神经网络中的一个层（module）
def init_weights(m):
#检查参数m是否是一个全连接层（nn.Linear）。
#只有当m是nn.Linear类型时，才会对其进行权重初始化。
if type(m) == nn.Linear:
"""
nn.init.normal_函数对其权重进行初始化。
nn.init.normal_函数将权重初始化为服从均值为0，标准差为0.01的正态分布的值。
注意这里使用的是原地操作（in-place operation），即直接修改了m.weight的值。
"""
nn.init.normal_(m.weight, std=0.01)
"""
apply方法会递归地遍历net中的所有子模块，
并将init_weights函数应用到每一个模块上。
这样，如果net中有多个全连接层（nn.Linear），
init_weights函数就会对每一个全连接层的权重进行初始化。
"""
net.apply(init_weights)
#损失函数
"""
这个损失函数结合了nn.LogSoftmax和nn.NLLLoss，
它先计算每个类别的预测概率的对数（通过LogSoftmax），
然后计算真实类别的负对数似然（Negative Log Likelihood）
"""
loss = nn.CrossEntropyLoss(reduction='none')
#小批量随机梯度下降作为优化算法
#net.parameters()返回神经网络net中所有需要优化的参数
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
#训练模型
#d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer) #报错
#将softmax基础班中的代码，封装到liliPytorch中，调用
lp.train_ch3(net, train_iter, test_iter, loss, num_epochs=5, updater=trainer)
d2l.plt.show() #可视化
运行结果：
<Figure size 350x250 with 1 Axes>
epoch: 1,train_loss: 0.7846037483851115,train_acc: 0.7511833333333333,test_acc: 0.7936
<Figure size 350x250 with 1 Axes>
epoch: 2,train_loss: 0.5698513298034668,train_acc: 0.8127833333333333,test_acc: 0.8021
<Figure size 350x250 with 1 Axes>
epoch: 3,train_loss: 0.5255562342961629,train_acc: 0.8256,test_acc: 0.8002
<Figure size 350x250 with 1 Axes>
epoch: 4,train_loss: 0.5013835444132487,train_acc: 0.83245,test_acc: 0.8235
<Figure size 350x250 with 1 Axes>
epoch: 5,train_loss: 0.4861805295308431,train_acc: 0.8363666666666667,test_acc: 0.8167