《动手学深度学习》——4.2多层感知机

多层感知机，其实就是多层神经元。

这一小节比较简单，看一下案例即可。

举例

分类fashion_mnist数据集。

fashion_mnist数据集大小为28*28，我们将28*28=784作为输入，输出为10个分类。
隐藏层一般设置为2^n，此处设置为256.

1.初始化模型参数

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

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

num_inputs, num_outputs, num_hiddens = 784, 10, 256
W1 = nn.Parameter(torch.randn(
    num_inputs, num_hiddens1, 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.定义激活函数

# 有现成的API，咱们就是不用
def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)

3.定义模型

# 由于X为28*28，我们把它展平
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.定义损失函数

# 交叉熵损失，上一节说了
# 报错“grad can be implicitly created only for scalar outputs”
# 把损失函数里面的内容删掉就可以了。该参数主要影响多个样本输入时，损失的综合方法。
# reduction默认为 mean。mean表示损失为多个样本的平均值，sum表示损失的和，none表示不综合。
# loss = nn.CrossEntropyLoss(reduction='none') 
loss = nn.CrossEntropyLoss()

5.开始训练

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)

训练的结果：

6.测试

d2l.predict_ch3(net, test_iter)

简洁实现

1.建立模型

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

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);

2.训练

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)

总结