目录
一、感知机
1、相关概念介绍
感知机(perceptron)是二分类的线性分类模型,属于监督学习算法。输入为实例的特征向量,输出为实例的类别(取+1和-1)。
2、(单层)感知机存在的问题
感知机不能拟合XOR函数,它只能产生线性分割面。
3、总结
二、多层感知机(MLP)
1、多层感知机思路
多层感知机思路就是将一次不能完成学习的东西分多次进行学习。针对XOR问题就是先学一个x,再学一个y,然后再将这两次学习的结果组合起来。
2、激活函数
激活函数不能是线性的,一定要使用非线性的激活函数,否则会造成模型坍塌。
例如,如果激活函数为:
那么输出仍然是线性函数,其实仍然相当于一个单层的感知机
3、常见的激活函数
ReLU函数是其中最常用的函数,因为其计算起来很快,相比于Sigmoid函数和Tanh函数来讲没有指数运算。因为指数运算较慢,因此有时候使用ReLU激活函数节约算力。
4、多类分类
4、总结
三、多层感知机从零开始实现
我们已经在前面中描述了多层感知机(MLP),现在让我们尝试自己实现一个多层感知机。为了与之前softmax回归(Softmax回归-CSDN博客)获得的结果进行比较,我们将继续使用Fashion-MNIST图像分类数据集。
import torch
from torch import nn
from d2l import torch as d2l
1、读取数据集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
2、初始化模型参数
回想一下,Fashion-MNIST中的每个图像由个灰度像素值组成。所有图像共分为10个类别。忽略像素之间的空间结构,我们可以将每个图像视为具有784个输入特征和10个类的简单分类数据集。首先,我们将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。注意,我们可以将这两个变量都视为超参数。通常,我们选择2的若干次幂作为层的宽度。因为内存在硬件中的分配和寻址方式,这么做往往可以在计算上更高效。
我们用几个张量来表示我们的参数。注意,对于每一层我们都要记录一个权重矩阵和一个偏置向量。跟以前一样,我们要为损失关于这些参数的梯度分配内存。
num_inputs, num_outputs, num_hiddens = 784, 10, 256
W1 = nn.Parameter(torch.randn(num_inputs, num_hiddens, requires_grad=True) * 0.01) # nn.Parameter()加不加都行,主要作用是声明是torch的Parameter
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(torch.randn(num_hiddens, num_outputs, requires_grad=True) * 0.01)
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))
params = [W1, b1, W2, b2]
3、激活函数
为了确保我们对模型的细节了如指掌,我们将自己动手实现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)
4、定义模型
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。只需几行代码就可以实现我们的模型。
def net(X):
X = X.reshape((-1, num_inputs)) # num_inputs:784 -1:batch_size
H = relu(X @ W1 + b1) # 这里“@”代表矩阵乘法
return (H @ W2 + b2)
5、定义损失函数
由于我们已经从零实现过softmax函数,因此在这里我们直接使用高级API中的内置函数来计算softmax和交叉熵损失。
loss = nn.CrossEntropyLoss(reduction='none') # 里面内置softmax和交叉熵损失算法
6、定义优化算法
num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
7、训练
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)
四、多层感知机的简洁实现
下面将介绍通过高级API更简洁地实现多层感知机。
import torch
from torch import nn
from d2l import torch as d2l
1、定义模型并初始化模型参数
与softmax回归的简洁实现相比,唯一的区别是我们添加了2个全连接层(之前我们只添加了1个全连接层)。第一层是隐藏层,它包含256个隐藏单元,并使用了ReLU激活函数。第二层是输出层。
net = nn.Sequential(nn.Flatten(),
nn.Linear(784, 256),
nn.ReLU(),
nn.Linear(256, 10))
def init_weights(m): # 初始化模型参数
if type(m) == nn.Linear:
nn.init.normal_(m.weight, std=0.01)
net.apply(init_weights)
2、定义损失函数和优化算法
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
3、读取数据集并训练
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)