小白也能看懂的pytorch——多层感知机（简洁版）

前言：本篇文章的服务对象是没有武力值也想和pytorch沾沾边的小白朋友们，主要的内容是对于经典代码的逐行解读，解读内容以注释的形式展示。

本篇文章的代码来源为（李沐 动手学深度学习pytorch版）

本篇文章是通过调用深度学习的高级API实现多层感知机，确实很简洁。

简洁实现，数据是3D的我们需要将其使用Flatten()函数变为二维的，

先是第一层，调用一个线性层（Linear）定义输入输出的大小，加入激活函数（ReLU）

再调用一个线性层（Linear）作为输出层（第二层）

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

net = nn.Sequential(nn.Flatten(),
                    nn.Linear(784, 256),
                    nn.ReLU(),
                    nn.Linear(256, 10))

定义了初始化权重的函数，对数据进行初始化。

# 下文是定义了一个初始化权重的函数
def init_weights(m):
    if type(m) == nn.Linear: # ==条件，类型是Linear
        nn.init.normal_(m.weight, std=0.01)  # 均值为0，方差为0.01的随机初始化权重
net.apply(init_weights)

下面是训练过程，定义批量大小，学习率，训练轮次

用CrossEntropyLoss做损失，用SGD做随机小批量梯度下降

然后把数据提取出来，并用在之前文章中定义的train_ch3函数进行训练，该函数中包含对于结果的展示。

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

不难看出，在实现的过程中，多层感知机和softmax的实现流程没什么区别，最大的区别就是增加的激活函数和隐藏层。