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: