MLP（多层感知机）Pytorch底层+简洁代码实现【初学者】

云龙弓手

已于 2023-08-07 16:39:59 修改

阅读量1.1k

点赞数 2

分类专栏：经典算法模型Pytorch实现文章标签： pytorch 人工智能机器学习

于 2023-08-07 16:07:50 首次发布

本文链接：https://blog.csdn.net/weixin_43909400/article/details/132147881

版权

经典算法模型Pytorch实现专栏收录该内容

15 篇文章 0 订阅

订阅专栏

1. 内容来源

10 多层感知机 + 代码实现 - 动手学深度学习v2_哔哩哔哩_bilibili10 多层感知机 + 代码实现 - 动手学深度学习v2共计4条视频，包括：感知机、多层感知机、代码实现等，UP主更多精彩视频，请关注UP账号。https://www.bilibili.com/video/BV1hh411U7gn/?spm_id_from=333.999.0.0&vd_source=f94822d3eca79b8e245bb58bbced6b77

2. 底层实现

2.1 数据集获取

本文依旧使用Fashion Mnist，数据下载源码详见本系列博客Softmax分类器一文

代码实现：

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)

2.2 模型参数初始化

MLP模型与线性回归以及Softmax分类不同在于使用多余1层的网络架构，中间层被称作隐藏层（Hidden Layer），并加入了非线性激活函数将网络转化成非线性网络（否则N层线性层可等价成单层线性层）

设置中间隐藏层神经元个数为256，则数据维数变化为784（输入）->256（隐藏层）->10（输出）

则参数初始化代码实现：

# Prameters

num_inputs, num_outputs, num_hiddens = 784, 10, 256

W1 = nn.Parameter(
    torch.randn(num_inputs, num_hiddens, requires_grad=True)
)
b1 = nn.Parameter(
    torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(
    torch.randn(num_hiddens, num_outputs, requires_grad=True)
)
b2 = nn.Parameter(
    torch.zeros(num_outputs, requires_grad=True))

params = [W1, b1, W2, b2]

2.3 模型构建

激活函数使用ReLU函数

代码实现：

def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)

第一层输出公式表示：

$H = ReLU(X * W_1 + b _1)$

其中， $X,W_1,b_1$ 分别为输入、第一层（输入层）的权重、偏置

第二层输出公式表示：

$H * W_2 + b _2$

其中， $W_2,b_2$ 分别为第二层（隐藏层）的权重和偏置

则代码实现：

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

Loss函数选用交叉熵（原始实现代码见本系列博客Softmax分类器一文）

代码实现：

loss = nn.CrossEntropyLoss()

2.4 模型训练

# Training
num_epochs, lr = 10, 0.01
updater = torch.optim.SGD(params, lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

结果：

其中Test Acc处于Train Acc下方，说明模型有一定的过拟合

3. 简洁实现

3.1 模型构建

输入层和隐藏层使用torch.nn.Linear()表示

代码实现：

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

# Model
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=0.1)
        

net.apply(init_weights)

模型展示：

Sequential(
  (0): Flatten(start_dim=1, end_dim=-1)
  (1): Linear(in_features=784, out_features=256, bias=True)
  (2): ReLU()
  (3): Linear(in_features=256, out_features=10, bias=True)
)

3.2 模型训练

# Training
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss()
trainer = torch.optim.SGD(net.parameters(), lr=lr)

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

结果：