MXNET深度学习框架-07-从0开始实现多层感知机(MLP)

         多层感知机(multilayer perceptron，MLP)其实与逻辑回归没有太大的区别，主要就是在输入层和输出层之间加了几层隐层：

下面来实现一下这个网络：
PS：与上两章一样，依旧使用服饰类的mnist数据集。

1、数据集获取

mnist_train = gn.data.vision.FashionMNIST(train=True)
mnist_test = gn.data.vision.FashionMNIST(train=False)

2、数据读取

batch_size = 100
transformer = gn.data.vision.transforms.ToTensor()
train_data = gn.data.DataLoader(dataset=mnist_train, batch_size=batch_size, shuffle=True)
test_data = gn.data.DataLoader(dataset=mnist_test, batch_size=batch_size, shuffle=False)

3、初始化模型参数

num_input = 28 * 28 * 1
num_output = 10
num_hidden=256  # 隐藏层神经元个数
w1 = nd.random_normal(shape=(num_input, num_hidden),scale=0.01) # 初始化(0.01内的值)
b1 = nd.zeros(shape=(num_hidden))

w2 = nd.random_normal(shape=(num_hidden, num_output),scale=0.01)
b2 = nd.zeros(shape=(num_output))
params = [w1, b1,w2,b2]
for param in params:
    param.attach_grad()  # 开辟临时空间

4、激活函数
         如果我们使用线性操作符来构造神经网络，那么整个模型依旧是一个线性函数：
         $Y=X\ast W_1\ast W_2=X\ast W_3$，这里$W_1\ast W_2=W_3$。
         所以为了让模型可以拟合非线性函数，引入一个非线性激活函数：
         $relu(x)=max(x,0)$

def relu(x):
    return nd.maximum(0,x)

5、定义模型

def net(x):
    x=x.reshape(-1,num_input)
    h1=relu(nd.dot(x,w1)+b1)
    output=nd.dot(h1,w2)+b2 # 最后一层一般不做激活
    return output

6、定义准确率

# 定义准确率
def accuracy(output,label):
    return nd.mean(output.argmax(axis=1)==label).asscalar()

def evaluate_accuracy(data_iter,net):# 定义测试集准确率
    acc=0
    for data,label in data_iter:
        data,label=transform(data,label)
        output=net(data)
        acc+=accuracy(output,label)
    return acc/len(data_iter)

7、梯度下降优化器

def SGD(params,lr):
    for pa in params:
        pa[:]=pa-lr*pa.grad # 参数沿着梯度的反方向走特定距离

8、训练
（与前两章一样）

lr=0.5
epochs=20
for epoch in range(epochs):
    train_loss=0
    train_acc=0
    for image,y in train_data:
        image,y=transform(image,y) # 类型转换，数据归一化
        with ag.record():
            output=net(image)
            loss=cross_loss(output,y)
        loss.backward()
        # 将梯度做平均，这样学习率不会对batch_size那么敏感
        SGD(params,lr/batch_size)
        train_loss+=nd.mean(loss).asscalar()
        train_acc+=accuracy(output,y)
    test_acc=evaluate_accuracy(test_data,net)
    print("Epoch %d, Loss:%f, Train acc:%f, Test acc:%f"
          %(epoch,train_loss/len(train_data),train_acc/len(train_data),test_acc))

训练结果：

         可以看到，同样是训练20轮(与前两章比较)，模型的准确率已经接近90%，可以说加入了隐层，分类效果确实较好。

9、预测
(与前两章一样)

# 训练完成后，可对样本进行预测
image_10,label_10=mnist_test[:10] #拿到前10个数据
show_image(image_10)
print("真实样本标签：",label_10)
print("真实数字标签对应的服饰名：",get_fashion_mnist_labels(label_10))

image_10,label_10=transform(image_10,label_10)
predict_label=net(image_10).argmax(axis=1)
print("预测样本标签：",predict_label.astype("int8"))
print("预测数字标签对应的服饰名：",get_fashion_mnist_labels(predict_label.asnumpy()))

预测结果：


附上所有源码：

import mxnet.autograd as ag
import mxnet.ndarray as nd
import mxnet.gluon as gn

def transform(data, label):
    return data.astype("float32") / 255, label.astype("float32")  # 样本归一化


mnist_train = gn.data.vision.FashionMNIST(train=True)
mnist_test = gn.data.vision.FashionMNIST(train=False)
data, label = mnist_train[0:9]
print(data.shape, label)  # 查看数据维度
import matplotlib.pyplot as plt


def show_image(image):  # 显示图像
    n = image.shape[0]
    _, figs = plt.subplots(1, n, figsize=(15, 15))
    for i in range(n):
        figs[i].imshow(image[i].reshape((28, 28)).asnumpy())
    plt.show()


def get_fashion_mnist_labels(labels):  # 显示图像标签
    text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_labels[int(i)] for i in labels]

#
# show_image(data)
# print(get_fashion_mnist_labels(label))

'''----数据读取----'''
batch_size = 100
transformer = gn.data.vision.transforms.ToTensor()
train_data = gn.data.DataLoader(dataset=mnist_train, batch_size=batch_size, shuffle=True)
test_data = gn.data.DataLoader(dataset=mnist_test, batch_size=batch_size, shuffle=False)

'''----初始化模型参数----'''
num_input = 28 * 28 * 1
num_output = 10
num_hidden=256  # 隐藏层神经元个数
w1 = nd.random_normal(shape=(num_input, num_hidden),scale=0.01) # 初始化(0.01内的值)
b1 = nd.zeros(shape=(num_hidden))

w2 = nd.random_normal(shape=(num_hidden, num_output),scale=0.01)
b2 = nd.zeros(shape=(num_output))
params = [w1, b1,w2,b2]
for param in params:
    param.attach_grad()  # 开辟临时空间

# 定义激活函数relu
def relu(x):
    return nd.maximum(0,x)

'''----定义模型----'''
# 所谓的模型就是将全连接层与relu串起来
def net(x):
    x=x.reshape(-1,num_input)
    h1=relu(nd.dot(x,w1)+b1)
    output=nd.dot(h1,w2)+b2 # 最后一层一般不做激活
    return output


# softmax和交叉熵损失函数
# 由于将它们分开会导致数值不稳定(前两章博文的结果可以对比)，所以直接使用gluon提供的API
cross_loss=gn.loss.SoftmaxCrossEntropyLoss()

# 定义准确率
def accuracy(output,label):
    return nd.mean(output.argmax(axis=1)==label).asscalar()

def evaluate_accuracy(data_iter,net):# 定义测试集准确率
    acc=0
    for data,label in data_iter:
        data,label=transform(data,label)
        output=net(data)
        acc+=accuracy(output,label)
    return acc/len(data_iter)

# 梯度下降优化器
def SGD(params,lr):
    for pa in params:
        pa[:]=pa-lr*pa.grad # 参数沿着梯度的反方向走特定距离

# 训练
lr=0.1
epochs=20
for epoch in range(epochs):
    train_loss=0
    train_acc=0
    for image,y in train_data:
        image,y=transform(image,y) # 类型转换，数据归一化
        with ag.record():
            output=net(image)
            loss=cross_loss(output,y)
        loss.backward()
        # 将梯度做平均，这样学习率不会对batch_size那么敏感
        SGD(params,lr/batch_size)
        train_loss+=nd.mean(loss).asscalar()
        train_acc+=accuracy(output,y)
    test_acc=evaluate_accuracy(test_data,net)
    print("Epoch %d, Loss:%f, Train acc:%f, Test acc:%f"
          %(epoch,train_loss/len(train_data),train_acc/len(train_data),test_acc))

'''----预测-------'''
# 训练完成后，可对样本进行预测
image_10,label_10=mnist_test[:10] #拿到前10个数据
show_image(image_10)
print("真实样本标签：",label_10)
print("真实数字标签对应的服饰名：",get_fashion_mnist_labels(label_10))

image_10,label_10=transform(image_10,label_10)
predict_label=net(image_10).argmax(axis=1)
print("预测样本标签：",predict_label.astype("int8"))
print("预测数字标签对应的服饰名：",get_fashion_mnist_labels(predict_label.asnumpy()))