李沐-感知机

单层感知机

感知机的原理说明：https://www.cnblogs.com/turingbrain/p/7355265.html
训练感知机

收敛定理


感知机的问题
不能你和XOR问题，它只能产生线性分割面

总结

多层感知机

两层感知机，处理XOR问题

线性激活函数f(x)=x
非线性的激活函数
sigmoid:(0,1)

tanh：(-1,1)

relu函数：max(0,x)，常用，原因简单，没有指数

多隐藏层：最后一层不需要激活函数，因为激活函数是为了防止层数的塌陷，输出的话是不用的。

总结

从零实现

1. 加载数据

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)

2.初始化模型参数
nn.Parameter加不加都可，作用为声明是参数

num_inputs, num_outputs, num_hiddens = 784, 10, 256

W1 = nn.Parameter(
    torch.randn(num_inputs, num_hiddens, requires_grad=True) * 0.01)
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

def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)

4.模型

def net(X):
    X = X.reshape((-1, num_inputs))
    H = relu(X @ W1 + b1)  # 这里“@”代表矩阵乘法
    return (H @ W2 + b2)

5.损失函数

loss = nn.CrossEntropyLoss()

6.训练

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

简洁实现

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

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
loss = nn.CrossEntropyLoss()
trainer = torch.optim.SGD(net.parameters(), lr=lr)

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

问题

1.层数：W+σ(权重+激活）看作一层，下图就是两层

2.