3.9--多层感知机的从零开始实现

---

一、导入相关库

import torch
import numpy as np
import sys
sys.path.append("..") # 为了导入上层目录的d2lzh_pytorch
import d2lzh_pytorch as d2l

print(torch.__version__)

二、读取数据

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

三、定义模型参数

输入数据（256，784），W1=（784，256），b1=（1，256），W2=（256，10），b2=（1，10）

num_inputs, num_outputs, num_hiddens = 784, 10, 256

W1 = torch.tensor(np.random.normal(0, 0.01, (num_inputs, num_hiddens)), dtype=torch.float)
b1 = torch.zeros(num_hiddens, dtype=torch.float)
W2 = torch.tensor(np.random.normal(0, 0.01, (num_hiddens, num_outputs)), dtype=torch.float)
b2 = torch.zeros(num_outputs, dtype=torch.float)

params = [W1, b1, W2, b2]
for param in params:
    param.requires_grad_(requires_grad=True)

三、定义激活函数和模型

1、定义激活函数

在torch.max()函数中，input是输入张量，other参数是用来比较的，作用是张量中每个值变成该值和other的最大值。

def relu(X):
    return torch.max(input=X, other=torch.tensor(0.0))

2、定义模型

def net(X):
    X = X.view((-1, num_inputs))
    H = relu(torch.matmul(X, W1) + b1)
    return torch.matmul(H, W2) + b2

四、定义损失函数

使用方法和之前类似

loss = torch.nn.CrossEntropyLoss()

五、训练模型

num_epochs, lr = 5, 100.0
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params, lr)

---