学习视频:
10 多层感知机 + 代码实现 - 动手学深度学习v2_哔哩哔哩_bilibili
http://localhost:8888/notebooks/chapter_multilayer-perceptrons/mlp-scratch.ipynb
目录
一、感知机:
二、多层感知机:
隐藏层的大小是超参数
为什么需要非线性激活函数:
三、激活函数:
1.Sigmoid激活函数:
2.ReLuU激活函数:
3.Tanh激活函数
四、多类分类:
若想得到置信度:进行softmax
多隐藏层:
五、多层感知机实现:
1.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
输入784,输出10,隐藏256
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:ReLU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:
在这里我们直接使用高级API中的内置函数来计算softmax和交叉熵损失
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)
六、简洁实现:
http://localhost:8888/notebooks/chapter_multilayer-perceptrons/mlp-concise.ipynb
1.模型:
与softmax回归的简洁实现( :numref:sec_softmax_concise
)相比, 唯一的区别是我们添加了2个全连接层(之前我们只添加了1个全连接层)。
第一层是[隐藏层],它(包含256个隐藏单元,并使用了ReLU激活函数)。
第二层是输出层。
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:
[训练过程]的实现与我们实现softmax回归时完全相同, 这种模块化设计使我们能够将与模型架构有关的内容独立出来。
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none') # 损失函数
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)