多层感知机

一、单层感知机

1、感知机是二分类问题

2、虽然都是一个输出，但线性回归输出是一个实数；与softmax相比，softmax有多少类就有多少输出元素，是一个多分类问题；而感知机输出的是一个离散的类，是一个二分类问题，可以0、1，也可以1、-1。

3、yi是标号，[<w,xi>+b]是预测，只有这两个同号才说明分类是对的；如果不对，标号乘以样本加权重做权重更新，偏差也做更新；循环直至所有类分类正确。

4、对损失函数，如果分类正确y<w,x>大于0，损失函数值取0，就没有梯度不用更新；若分类错误，就进入上面的if循环，进行权重及偏差更新。

5、收敛定理

||w||^2+b^2<=1是线性分割面，相当于划一根线将二分类分隔开。

6、但单层感知机不能解决XOR问题，因为只能产生线性分割面，不能通过一根线将其分开。

7、总结

二、多层感知机

1、XOR引入

通过蓝色的线和黄色的线将其分隔，将1234分类正负，再进行一次product运算将其分开，就相当于多了一层的计算，最终将其分类。

2、单隐藏层单分类

（1）隐藏层大小是超参数

（2）输出的o为标量

（3）如果没有激活函数，西格玛是线性，最终的o依旧是线性函数，相当于单层感知机，激活函数防止层数坍塌。

3、常见激活函数

原来的只有0,1两种情况，太硬了，交界点不好求导，我们要用软一点的激活函数

（1）Sigmoid激活函数，将投影输出到(0,1)

（2）Tanh激活函数，将投影输出到(-1,1)

（3）ReLU激活函数，这个最简单，因为前面的激活函数要算e的指数，需要不小的代价

三、多类分类问题

1、将softmax中间加上隐藏层

2、多隐藏层问题

层数大小我们需要设定，最好慢慢压缩。

3、总结

四、多层感知机从零实现

1、导包

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

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):
    #将x改变形状为1*784的二维矩阵
    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(reduction='none')

6、训练

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
#用的我们上一章写的
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

五、快速实现

1、导包

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

2、模型

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);

3、反正直接用模块的东西

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)

4、训练

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