10多层感知机（pycharm版）

import torch
from torch import nn
from d2l import torch as d2l
import os
os. environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"

"""
 在这个代码片段中，我们创建了一个神经网络，该网络由多个层组成，它们按照顺序连接。
1. `nn.Flatten()`：这是一个扁平化层，它将2D的输入数据转换为1D。
在Fashion-MNIST这样的手写数字识别任务中，每个图像通常是28x28大小的，所以我们需要将图像从28x28扁平化为1x284（28*784）。
2. `nn.Linear(784,256)`：这是一个全连接层，也被称为线性层。
它将输入的784维数据映射到256维。这个层有256个神经元。
3. `nn.ReLU()`：这是一个激活函数，用于增加非线性。
ReLU是"Rectified Linear Unit"的缩写，它可以提高模型的学习速度，同时防止梯度消失。
4. `nn.Linear(256,10)`：这是网络的最后一个层，它将256维的数据映射到10维，对应于10个类别的softmax输出。
`nn.Sequential()`是一个容器，它可以将网络层按照顺序包装起来，使得它们可以像单个层一样顺序运行。
在这种方式下，每一层的输出都成为下一层的输入。
"""
net = nn.Sequential(nn.Flatten(),nn.Linear(784,256),nn.ReLU(),nn.Linear(256,10))
def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight,std=0.01)


net.apply(init_weights)

batch_size, lr, num_epochs = 256, 0.1, 10
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 用于加载Fashion-MNIST数据集
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs,trainer)
d2l.plt.show()