动手学深度学习》学习笔记：10 多层感知机

五条凪

已于 2024-02-04 00:12:11 修改

阅读量297

点赞数 8

分类专栏：动手学深度学习笔记文章标签：深度学习学习笔记算法人工智能

于 2024-02-04 00:04:46 首次发布

本文链接：https://blog.csdn.net/chenjialehhh/article/details/136018338

版权

动手学深度学习笔记专栏收录该内容

6 篇文章 0 订阅

订阅专栏

本文介绍了如何使用PyTorch库在Fashion-MNIST数据集上从头实现一个多层感知机，包括定义网络结构、初始化参数、损失函数和优化算法，以及训练过程。作者提供了两种实现方式，一种是逐层构建，另一种是使用Sequential模块简化代码。

摘要由CSDN通过智能技术生成

《动手学深度学习》学习笔记：08 线性回归-CSDN博客

10 多层感知机

从零实现：

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

#实现relu函数
def relu(X):
    a = torch.zeros_like(X)
    #就是个max，然后将负数置零
    return torch.max(X, a)

#定义模型，两个矩阵乘法和加法即可
def net(X):
    X = X.reshape((-1, num_inputs)) #num_inputs = 784，一张图片展平后的长度
    H = relu(X@W1 + b1)  # 这里“@”代表矩阵乘法
    return (H@W2 + b2)

#生成数据集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

#初始化模型参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256
#随机生成w矩阵
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]

#定义损失函数
loss = nn.CrossEntropyLoss(reduction='none')

#定义优化算法
lr = 0.1
updater = torch.optim.SGD(params, lr=lr)

#训练模型
num_epochs = 10
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

简单实现：

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

#初始化模型参数的函数
def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

#同样需要先将输入展平
net = nn.Sequential(
    nn.Flatten(),
    nn.Linear(784, 256),
    nn.ReLU(),
    nn.Linear(256, 10))

#模型初始化
net.apply(init_weights);

#设置参数
batch_size, lr, num_epochs = 256, 0.1, 10

#定义损失函数
loss = nn.CrossEntropyLoss(reduction='none') 

#定义优化算法
trainer = torch.optim.SGD(net.parameters(), lr=lr) 

#读取数据集
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) 

#训练模型
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)