4.2. 多层感知机的从零开始实现 李沐 深度学习

4.2. 多层感知机的从零开始实现 — 动手学深度学习 2.0.0 documentation

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)


num_inputs, num_outputs, num_hiddens = 784, 10, 256
#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 每个x向量有x_0到x_783  就是784个x_i
'''
输出    10            Y(n*10)
        |           W2(256*10)
中间层  256           H1(n*256)
        |           W1(784*256) b
输入    784          X(n*784)
n张图片输入 每张图784个特征,w1x之后加b变n*256  的h1  ,h1再与w2结合和b2结合之后→n*10
'''
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]

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

def net(X):
    X = X.reshape((-1, num_inputs))
    H = relu(X@W1 + b1)  # 这里“@”代表矩阵乘法  @运算符和numpy的matmul   在numpy的矩阵乘法中，默认的乘法是不对第一个维度进行操作的
    return (H@W2 + b2) #n*10 y_hat 这个需要交叉熵之后再与y做损失函数

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

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)


d2l.predict_ch3(net, test_iter)

return (H@W2 + b2) #n*10 y_hat 这个需要交叉熵之后再与y做损失函数 

一开始蒙了没想起来为什么出来n*10 y_hat跟y (n*1)做损失函数

需要回顾:

3.4. softmax回归 — 动手学深度学习 2.0.0 documentation

3.6. softmax回归的从零开始实现 — 动手学深度学习 2.0.0 documentation