【Dive into Deep Learning |动手学深度学习（李沐）】4.2/4.3 多层感知机代码实现（代码含注释）

从零开始实现

读取数据

导包

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

batch_size = 256  #小批量数据大小
#加载数据
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) #之前定义的函数，其实应该是封装在d2l中的

初始化模型参数

实现一个具有单隐藏层的多层感知机， 它包含256个隐藏单元。 注意，我们可以将这两个变量都视为超参数。

#初始化模型参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256 #分别代表输入个数、输出个数、以及隐藏层隐藏单元的个数

#W1是随机生成的，输入为num_imputs,输出为隐藏单元的个数num_hiddens，requires_grad=True代表需要求导
W1 = nn.Parameter(torch.randn(
    num_inputs, num_hiddens, requires_grad=True) * 0.01)
#偏移b1初始化为0
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
#W2也是随机初始的，输入为num_hiddens,输出为隐藏单元的个数num_outputs，也是需要求导
W2 = nn.Parameter(torch.randn(
    num_hiddens, num_outputs, requires_grad=True) * 0.01)
#偏移b2初始化为0
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))

params = [W1, b1, W2, b2]

激活函数

实现ReLU激活函数，回归一下ReLU函数，本质上就是一个求最大值的函数。

#激活函数ReLU
def relu(X):
    a=torch.zeros_like(X) #生成一个形状与X一致的零矩阵
    return torch.max(X,a) #返回他俩的最大

模型

实际上就是上一节这样一个过程，如图。

#模型
def net(X):
    X = X.reshape((-1, num_inputs)) #将X拉成一个2维的矩阵
    H = relu(X@W1 + b1)  # 这里“@”代表矩阵乘法
    return (H@W2 + b2)

损失函数

使用交叉熵损失函数（CrossEntropyLoss）

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

训练

#训练
num_epochs, lr = 10, 0.1  #训练次数、学习率
updater = torch.optim.SGD(params, lr=lr) #优化
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater) #使用的上一节的训练函数，封装在d2l中的

结果

预测

#预测
d2l.predict_ch3(net, test_iter)

简洁实现

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);

1. nn.Flatten()用于将输入的二维图像数据展平为一维向量，以适应后续的全连接层。
2. nn.Linear(784, 256)定义了一个全连接层，输入大小为784，输出大小为256。这一层将输入特征进行线性变换。
3. nn.ReLU()定义了一个ReLU激活函数层，将线性变换的结果进行非线性变换，增加网络的表达能力。
4. nn.Linear(256, 10)定义了另一个全连接层，输入大小为256，输出大小为10。这一层将前一层的输出进行线性变换，得到最终的预测结果。
5. init_weights是一个自定义的函数，用于初始化模型的权重。在这个例子中，它使用了nn.init.normal_函数来对模型中的nn.Linear层的权重进行正态分布初始化，标准差为0.01。
6. net.apply(init_weights)是将初始化权重的函数应用于模型的所有层。通过调用apply方法，并传入初始化权重的函数，可以遍历模型的所有层，并对满足条件的层进行权重初始化。

这里和上面的差不多。

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
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