《动手深度学习》多层感知机

一、感知机

1、训练感知机

2、感知机不能拟合XOR函数，它只能产生线性分割面

3、感知机是一个二分类模型，它的求解算法等价于使用批量大小为1的梯度下降。

二、多层感知机

1、单隐藏层，单分类

2、sigmoid激活函数，将输入投影到（0，1）

3、Tanh激活函数，将输入投影到（-1，1）

4、ReLU激活函数

5、多隐藏层

6、多层感知机使用隐藏层和激活函数来得到非线性模型；

常用的激活函数是Sigmoid，Tanh，ReLU；

使用Softmax来处理多类分类；

超参数为隐藏层数，和各个隐藏层大小。

三、实现多层感知机

1、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]

2、激活函数

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

3、模型

def net(X):
    X = X.reshape((-1, num_inputs))
    H = relu(X @ W1 + b1)  # 这里“@”代表矩阵乘法
    return (H @ W2 + b2)

4、损失函数

loss = nn.CrossEntropyLoss(reduction='none')

5、训练

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)