sigmoid含糊
可以将元素的值变换到0和1之间:
sigmoid(x) = 1/(1+exp(-x))
sigmoid在早期神经网络中较为欧变,但是逐渐被更简单的ReLU函数取代。
当输入接近0时,sigmoid接近线性变换。
tanh函数
双曲正切函数可以将元素的值变换到-1到1之间;:
tanh(x) = 1-exp(-2x)/1+exp(-2x)
输入接近0时,tanh函数接近线性变换。
该函数形状和sigmoid函数形状很像,但是tanh函数关于零点对称。
多层感知机的从零开始实现
import torch
import numpy as np
imort sys
sys.path.append("...")
import d2lzh_pytorch as d2l
获取和读取数据
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(bacth_size)
定义模型参数
输入仍然为784,输出为10
设置超参数隐藏单元个数为256
num_inputs = 784
num_outputs = 10
num_hiddens = 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_(requires_grad = True)
定义激活函数
使用max函数来实现激活函数
def relu(X):
return torch.max(input = X , other = torch.tensor(0.0))
定义模型
使用view函数将图片展平
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.CrossEntropLoss()
训练模型
epochs设为5,lr为100
因为原书中的mxnet中的SoftmaxCrossEntropy在反向传播的时候是沿batch维求和,然和pytorch默认的是平均,所以得到的loss会比mxnet的小很多,
所以反向传播的梯度也小很多,所以将原来的lr调整为batch_size倍。
之所以这么大,是因为sgd函数应该在更新的时候除以了batch_size.
PyTorch在计算loss的时候已经除过一次了,sgd应该不用除了。
多层感应机的简洁实现
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("...")
import d2lzh_pytorch as d2l
定义模型
加入一个全连接层作为隐藏层,并采用ReLU作为激活函数
num_inputs, num_outputs, num_hiddens = 784,10,256
net = nn.Sequential(
d2l.Flatten()
nn.Linear(num_inputs,num_hiddens),
nn.ReLU(),
nn.Linear(num_hiddens, num_outputs),
)
for params in net.parameters:
init.normal_(params,mean = 0,std = 0.01)
读取数据并训练模型
这里使用Pytorch的sgd而不是自己写的sgd,就不会出现lr的问题了
batch_size = 256
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)
loss = torch.nn.CrossEntropy()
optimizer = torch.optim.SGD(net.parameters,lr = 0.5)
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, None, None optimizer)