动手学深度学习 图像分类实例-多层感知机(二) 多层感知机的从零开始实现
动手学深度学习 多层感知机系列:
- 动手学深度学习 图像分类实例-多层感知机(一) 核心概念与激活函数的作用
- 动手学深度学习 图像分类实例-多层感知机(二) 多层感知机的从零开始实现
- 动手学深度学习 图像分类实例-多层感知机(三) 多层感知机的简洁实现
上述链接为图像分类实例的系列文章, 关于详细代码可至文末领取
前言
本文介绍多层感知机的从零开始实现方法
尽量以通俗易懂的方式介绍
以下是本篇文章正文内容
正文
本文使用的数据集仍然为Fashion-MNIST
数据集,并使用多层感知机对其进行图像分类
关于数据集的详细介绍已经放在下面的文章链接中
动手学深度学习 图像分类数据集(一) Fashion-MNIST的获取与查看
代码
# -*- coding: utf-8 -*-
# @Time : 2021/2/14 10:29
# @Author : JokerTong
# @File : 多层感知机(二) 多层感知机的从零开始实现.py
import torch
import d2lzh as d2l
import numpy as np
# 读取数据
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 定义模型参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256
W1 = torch.tensor(np.random.normal(0, 0.01, (num_inputs, num_hiddens)), dtype=torch.float)
b1 = torch.zeros(num_hiddens, dtype=torch.float)
W2 = torch.tensor(np.random.normal(0, 0.01, (num_hiddens, num_outputs)), dtype=torch.float)
b2 = torch.zeros(num_outputs, dtype=torch.float)
params = [W1, b1, W2, b2]
for param in params:
param.requires_grad_(True)
# 定义激活函数
def relu(X):
return torch.max(input=X, other=torch.tensor(0.0))
# 定义模型
def net(X):
X = X.view((-1, num_inputs))
H = relu(torch.matmul(X, W1) + b1)
return torch.matmul(H, W2) + b2
# 定义损失函数
loss = torch.nn.CrossEntropyLoss()
# 训练模型
num_epochs, lr = 5, 100.0
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params, lr)
引用资料来源
本文内容来自吴振宇博士的Github项目
对中文版《动手学深度学习》中的代码进行整理,并用Pytorch实现
【深度学习】李沐《动手学深度学习》的PyTorch实现已完成