多层感知机的从零开始实现

import torch
from torch import nn
from d2l import torch as d2l

模型

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

初始化模型参数

        Fashion-MNIST中的每个图像由28×28=78428×28=784个灰度像素值组成。所有图像共分为10个类别。忽略像素之间的空间结构，我们可以将每个图像视为具有784个输入特征和10个类的简单分类数据集

        首先实现一个具有但隐藏层的多层感知机，其包含256个隐藏单元      

num_inputs, num_outputs, num_hiddens = 784, 10, 256

W1 = nn.Parameter(torch.randn(
    num_inputs, num_hiddens, requires_grad=True) * 0.01)
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(torch.randn(
    num_hiddens, num_outputs, requires_grad=True) * 0.01)
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))

params = [W1, b1, W2, b2]

          激活函数

                为了确保我们知道一切是如何工作的，我们将使用最大值函数自己[实现ReLU激活函数] 

def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)

         模型                   

def net(X):
    X = X.reshape((-1, num_inputs))
    H = relu(X@W1 + b1)  # 这里“@”代表矩阵乘法
    return (H@W2 + b2)

        损失函数

loss = nn.CrossEntropyLoss()

        训练     

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

         为了对学习到的模型进行评估，我们将[在一些测试数据上应用这个模型]

d2l.predict_ch3(net, test_iter)

       

小结¶

• 我们看到即使手动实现一个简单的多层感知机也是很容易的。
• 然而，如果有大量的层，从零开始实现多层感知机会变得很麻烦（例如，要命名和记录模型的参数）。