我们发现通过深度学习框架的高级API能够使实现线性回归变得更加容易。 同样，通过深度学习框架的高级API也能更方便地实现softmax回归模型。 本节如在上节中一样， 继续使用Fashion-MNIST数据集，并保持批量大小为256。
import torch
from torch import nn # 通过pytorch的nn的module
from d2l import torch as d2lbatch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
初始化模型参数
softmax回归的输出层是一个全连接层。 因此，为了实现我们的模型， 我们只需在Sequential中添加一个带有10个输出的全连接层。 同样，在这里Sequential并不是必要的， 但它是实现深度模型的基础。 我们仍然以均值0和标准差0.01随机初始化权重。
# PyTorch不会隐式地调整输入的形状。因此，
# 我们在线性层前定义了展平层（flatten），来调整网络输入的形状
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10)) # 这里使用了PyTorch中的nn.Sequential来构建一个顺序容器，将层按顺序添加到网络中
# nn.Flatten()：这一层的作用是将输入的数据展平成一维。假设输入的数据是一个28x28的二维图像，展平后将变成一个784（28*28）长度的一维向量。
# nn.Linear(784, 10)：这是一个全连接层（线性层），输入大小为784（展平后的图像向量），输出大小为10（假设有10个类别）。def init_weights(m): # 这里定义了一个函数init_weights，用于初始化网络中的权重。if type(m) == nn.Linear: # 这行代码检查传入的层是否为nn.Linear类型，即全连接层。nn.init.normal_(m.weight, std=0.01) # 如果该层是全连接层，则使用nn.init.normal_方法将该层的权重初始化为均值为0，标准差为0.01的正态分布随机值。net.apply(init_weights); # net.apply方法会遍历网络中的每一层，并将init_weights函数应用到每一层上，完成权重的初始化。
在交叉熵损失函数中传递未归一化的预测，并同时softmax及其对数
loss = nn.CrossEntropyLoss(reduction='none')
在这里，我们使用学习率为0.1的小批量随机梯度下降作为优化算法。 这与我们在线性回归例子中的相同，这说明了优化器的普适性。
trainer = torch.optim.SGD(net.parameters(), lr=0.1)
训练
接下来我们调用之前定义的训练函数来训练模型。
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
