感知机&激活函数（动手学深度学习v2）笔记

没咋了

已于 2022-11-18 11:26:45 修改

阅读量515

点赞数

文章标签：深度学习人工智能

于 2022-11-18 11:00:51 首次发布

本文链接：https://blog.csdn.net/m0_53371353/article/details/127909136

版权

感知机定义

是二分类模型。给定输入x，权重w，和偏移b，感知机输出：

二分类：-1或1（0或1）
Vs.回归输出实数
Vs.Softmax回归输出概率

训练感知机

等价于使用批量大小为1的梯度下降，并使用如下的损失函数

收敛定理

1、数据在半径 r 内

2、余量 $\rho$ 分类两类

3、感知机保证在 $\frac{r^{2} + 1}{\rho ^{2}}$ 步后收敛

XOR问题(Minsky & Papert,1969)

感知机不能拟合XOR函数，它只能产生线性分割面。

多层感知机

激活函数

激活函数（activation function）通过计算加权和并加上偏置来确定神经元是否应该被激活，它们将输入信号转换为输出的可微运算。大多数激活函数都是非线性的。

sigmoid函数

定义域在R中的输入，sigmoid函数将输入变换为区间(0, 1)上的输出。因此，sigmoid通常称为挤压函数(squashing function)：它将范围（-inf, inf）中的任意输入压缩到区间（0, 1）中的某个值。

%matplotlib inline # 将matplotlib的图表直接嵌入到Notebook之中
import torch
from d2l import torch as d2l

x = torch.arange(-10.0, 10.0, 0.1, requires_grad=True)
y = torch.sigmoid(x)
d2l.plot(x.detach(), y.detach(), 'x', 'sigmoid(x)', figsize=(5, 2.5))

tanh(双曲正切)函数

与sigmoid函数类似， tanh(双曲正切)函数也能将其输入压缩转换到区间(-1, 1)上。

x = torch.arange(-10.0, 10.0, 0.1, requires_grad=True)
y = torch.tanh(x)
d2l.plot(x.detach(), y.detach(), 'x', 'tanh(x)', figsize=(5, 2.5))

ReLU函数

最受欢迎的激活函数是修正线性单元（Rectified linear unit，ReLU），因为它实现简单，同时在各种预测任务中表现良好。 ReLU提供了一种非常简单的非线性变换。给定元素x，ReLU函数被定义为该元素与0的最大值：

x = torch.arange(-10.0, 10.0, 0.1, requires_grad=True)
y = torch.relu(x)
d2l.plot(x.detach(), y.detach(), 'x', 'relu(x)', figsize=(5, 2.5))

多类分类

总结

多层感知机使用隐藏层和激活函数来得到非线性模型
常用激活函数是Sigmoid，Tanh，ReLU
使用Softmax来处理多类分类
超参数为隐藏层数，和各个隐藏层大小

代码从零开始实现：

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

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

# 实现一个具有单隐藏层的多层感知机，它包含256个隐藏单元
num_inputs, num_outputs, num_hiddens = 784, 10, 256 # Fashion-MNIST中的每个图像由28*28个灰度像素值组成。所有图像共分为10个类别

W1 = nn.Parameter(torch.randn(num_inputs, num_hiddens, requires_grad=True) * 0.01) # 784*256
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True)) # 256
W2 = nn.Parameter(torch.randn(num_hiddens, num_outputs, requires_grad=True) * 0.01) # 256*10
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True)) # 10
params = [W1, b1, W2, b2]

# 实现ReLU激活函数，而不是直接调用内置的relu函数
def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)

# 实现我们的模型
# 因为我们忽略了空间结构，所以我们使用reshape将每个二维图像转换为一个长度为num_inputs的向量
def net(X):
    X = X.reshape((-1, num_inputs)) # ？*784
    H = relu(X @ W1 + b1)  # 这里“@”代表矩阵乘法。[？*784] * [784*256] + [256] = [？*256]
    return (H @ W2 + b2) # [？*256] * [256*10] + [10] = [？*10]

loss = nn.CrossEntropyLoss(reduction='none')

num_epochs, lr = 15, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)
d2l.predict_ch3(net, test_iter)