MLP中实现dropout,批标准化

MLP中实现dropout,批标准化基本网络代码三层MLP使用MNIST数据集import torch as ptimport torchvision as ptvimport numpy as nptrain_set = ptv.datasets.MNIST("../../pytorch_database/mnist/train",t...
摘要由CSDN通过智能技术生成

MLP中实现dropout,批标准化

基本网络代码

  • 三层MLP
  • 使用MNIST数据集
import torch as pt
import torchvision as ptv
import numpy as np

train_set = ptv.datasets.MNIST("../../pytorch_database/mnist/train",train=True,transform=ptv.transforms.ToTensor(),download=True)
test_set = ptv.datasets.MNIST("../../pytorch_database/mnist/test",train=False,transform=ptv.transforms.ToTensor(),download=True)
train_dataset = pt.utils.data.DataLoader(train_set,batch_size=100)
test_dataset = pt.utils.data.DataLoader(test_set,batch_size=100)

class MLP(pt.nn.Module):
    def __init__(self):
        super(MLP,self).__init__()
        self.fc1 = pt.nn.Linear(784,512)
        self.fc2 = pt.nn.Linear(512,128)
        self.fc3 = pt.nn.Linear(128,10)
        
    def forward(self,din):
        din = din.view(-1,28*28)
        dout = pt.nn.functional.relu(self.fc1(din))
        dout = pt.nn.functional.relu(self.fc2(dout))
        return pt.nn.functional.softmax(self.fc3(dout))
model = MLP().cuda()
print(model)

# loss func and optim
optimizer = pt.optim.SGD(model.parameters(),lr=0.01,momentum=0.9)
lossfunc = pt.nn.CrossEntropyLoss().cuda()

# accuarcy
def AccuarcyCompute(pred,label):
    pred = pred.cpu().data.numpy()
    label = label.cpu().data.numpy()
    test_np = (np.argmax(pred,1) == label)
    test_np = np
  • 3
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
MLP-MNIST数据集是一个用于手写数字识别的数据集,其包含了一系列的手写数字图像和相应的标签。每个图像都是一个28x28像素的灰度图像,标签表示了图像所代表的数字。 为了对MLP-MNIST数据集进行处理和分析,以下是一些常见的步骤和方法: 1. 导入数据集:首先,我们需要从数据集读取图像和标签数据。这可以通过使用适当的库和函数来完成,例如使用Python的NumPy库或者深度学习框架如TensorFlow或PyTorch提供的接口。 2. 数据预处理:在使用MLP模型之前,通常需要对数据进行一些预处理操作。这可能包括将图像数据转换为适当的张量形式,对图像进行标准化处理以确保数据的一致性和可比性,还可以将标签进行独热编码以适应模型的输出要求。 3. 定义模型结构:MLP-MNIST数据集通常使用多层感知机(MLP)模型进行训练和预测。这种模型是一种前馈神经网络,由多个全连接层组成。可以定义不同层的神经元数量、激活函数和其他参数来适应具体的任务。 4. 初始化模型参数:在训练模型之前,需要初始化模型的参数。这些参数可以是权重和偏置,通过随机初始化或者使用特定的初始化方法来获取合适的初始值。 5. 定义激活函数:对于MLP模型的隐含层,通常需要使用激活函数对输出进行非线性变换。常见的激活函数包括ReLU、Sigmoid和Tanh等,它们可以增加模型的表达能力和非线性拟合能力。 6. 防止过拟合:在使用带有隐含层的MLP模型时,过拟合是一个常见的问题。为了解决这个问题,可以采用一些技术来防止过拟合,如正则化方法(如权重衰减)和丢弃法(Dropout)等。 综上所述,处理和分析MLP-MNIST数据集的一般步骤包括导入数据集、数据预处理、定义模型结构、初始化模型参数、定义激活函数以及防止过拟合。这些步骤可以帮助我们构建一个用于手写数字识别的MLP模型,并进行训练和预测。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值