动手学深度学习学习笔记（11）

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)