三、多层感知机

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：

​编辑​编辑​编辑​编辑二、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：

​编辑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：

​编辑五、多层感知机实现：

1.初始化模型参数：

2.激活函数：ReLU函数：

3.模型：

4.损失函数：

5.训练：

六、简洁实现：

1.模型：

2.训练：

---

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)