多层感知机(multilayer perception,MLP)在单层神经网络的基础上引入了一到多个隐藏层,隐藏层位于输入层和输出层之间,此前线性回归和softmax回归在内的都属于单层神经网络。
上述问题的根源在于:全连接层只是对数据做仿射变换,而多个仿射变换的叠加仍然是仿射变换,解决问题的一个方法是引入非线性变换,例如对隐藏变量使用按元素运算的非线性函数进行变换,然后在作为下一个全连接层的输入。这个非线性函数被称为激活函数。
仿射变换:简单来说就是"线性变换"+"平移"。仿射变换从几何直观主要有以下两个要点:(1) 变换前是直线的变换后依然是直线。(2)直线比例保持不变。具体介绍看知乎大神的讲解:https://www.zhihu.com/question/20666664
代码如下:
import torch
import numpy as np
import sys
sys.path.append('..')
import painting as pt
#1.获取和读取数据
batch_size=256
train_iter,test_iter=pt.load_data_fashion_mnist(batch_size)
#2.定义模型参数
"""
Fashion-MNIST数据集中图像形状为28x28,类别数为10,本节依然使用长度为28x28=784
的向量表示每一张图像。因此输入个数为784,输出个数为10,实验中设置超参数隐藏单元个数为256
"""
num_inputs,num_outputs,num_hiddens=784,10,256
W1=torch.tensor(np.random.normal(0,0.01,(num_inputs,num_hiddens)),dtype=torch.float32)
b1=torch.zeros(num_hiddens,dtype=torch.float32)
W2=torch.tensor(np.random.normal(0,0.01,(num_hiddens,num_outputs)),dtype=torch.float32)
b2=torch.zeros(num_outputs,dtype=torch.float32)
params=[W1,b1,W2,b2]
for param in params:
param.requires_grad_(True)
#3.定义激活函数:此处使用基础的max函数来实现ReLU,而非直接调用ReLU函数。
def relu(X):
return torch.max(input=X,other=torch.tensor(0.0))
#4.定义模型:同softmax回归一样,通过view函数将每张原始图像改成长度为num_inputs的向量
def net(X):
X=X.view(-1,num_inputs)
H=relu(torch.matmul(X,W1)+b1)
return torch.matmul(H,W2)+b2
#5.定义损失函数:使用Pytorch提供的softmax计算和交叉熵损失计算的函数
loss=torch.nn.CrossEntropyLoss()
#6.训练模型
num_epochs,lr=5,100.0
pt.train(net,train_iter,test_iter,loss,num_epochs,batch_size,params,lr)