3D机器学习（7）：MInst数据集实战：一种自己从头开始写，一种利用封装好的代码

《MInst数据集实战》

1、自己从头开始写

1.1原理解读：

内容：输入28*28=784的数字图片向量，第一个隐藏层将784用矩阵运算压缩到200，第二层不压缩，仍保持200个参数。最后一层提取出10个参数，作为10分类，到底是哪个数字的问题。

第一步：创建网络，创建三个线性层，每个线性层都有参数w和b，注意w和b的矩阵维度，和申明需要梯度计算。因为最后是10分类，所以最后w和b都有10的维度。

第二部：创建预测值x新=relu（x旧*w的转置+b）。

第三部：定义优化器（迭代计算）。

1. 优化目标是三组全连接层的变量w1、w2、w3、b1、b2、b3。
2. 并设置学习率，可设为0.001。
3. 定义loss函数为交叉熵函数。Nn.crossentropyloss与F. cross_entropy功能一样，都已经包含softmax函数了。
4. 定义迭代次数epochs。
5. Forward函数为之前定义好的网络输出结果，即输出（原始数据data），输出（网络计算过的logits）
6. 这里是调用Nn.crossentropyloss函数，并计算loss（这里把这个函数赋值给了criteon）。输入给loss的是（logit计算的10分类）和（目标的10分类one-hot编码）。