d2l笔记：4.3 多层感知机(MLP)的简洁实现

d2l笔记：4.3 多层感知机(MLP)的简洁实现

导入包

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

定义网络

net = nn.Sequential(nn.Flatten(),
                    nn.Linear(784, 256),
                    nn.ReLU(),
                    nn.Linear(256, 10))

这里使用了两个全连接层，其输入和输出一定要计划好。

中间的激活函数也可以用其他的比如 Sigmoid

初始化参数

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights)

训练

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)

一切都是熟悉的味道。