多层感知机要点笔记

最新推荐文章于 2024-06-29 20:31:09 发布

wjsjjss

最新推荐文章于 2024-06-29 20:31:09 发布

阅读量394

点赞数

分类专栏： pytorch 深度学习

本文链接：https://blog.csdn.net/wjsjjss/article/details/104296170

版权

深度学习同时被 2 个专栏收录

23 篇文章 1 订阅

订阅专栏

pytorch

7 篇文章 0 订阅

订阅专栏

Image Name

多层感知机的基本知识

给定一个小批量样本 $X\in \mathbb{R}^{n\times d }$ ，其批量大小为n，输入个数为d。假设多层感知机只有一个隐藏层，其中隐藏单元个数为h。记隐藏层的输出（也称为隐藏层变量或隐藏变量）为 $\textbf{\emph{H}}$ ，有 $\textbf{\emph{H}}\in \mathbb{R}^{n\times h }$ 。因为隐藏层和输出层均是全连接层，可以设隐藏层的权重参数和偏差参数分别为 $\mathbf{W_{ h }} \in \mathbb{R}^{d\times h }$ 和 $\mathbf{b_{h}}\in \mathbb{R}^{1\times h }$ ，输出层的权重和偏差参数分别为 $\mathbf{W_{ o }} \in \mathbb{R}^{h\times q }$ 和 $\mathbf{b_{ o }} \in \mathbb{R}^{1\times q }$ 。

单隐藏层的多层感知机其输出 $\mathbf{O} \in \mathbb{R}^{n\times q }$ 的计算为

$\mathbf{H} = \mathbf{X} \mathbf{W_{h}}+ \mathbf{b_{h}}}$

$\mathbf{O} = \mathbf{H} \mathbf{W_{o}}+ \mathbf{b_{o}}}$

激活函数

ReLU函数

f(z)=max(0,z)

$f'(z)=\begin{cases} 1 & \text{ if } z> 0 \\ 0& \text{ if } z\leqslant 0 \end{cases}$

Sigmoid函数

$f(z)=\tfrac{1}{1+exp(-z))}$

f'(z)=f(z)(1-f(z))

tanh函数

$f(z)=tanh(z)=\tfrac{e^{z}-e^{-z}}{e^{z}+e^{-z}}$

$f'(z)=1-(f(z))^{2}$

关于激活函数的选择

ReLu函数是一个通用的激活函数，目前在大多数情况下使用。但是，ReLU函数只能在隐藏层中使用。

用于分类器时，sigmoid函数及其组合通常效果更好。由于梯度消失问题，有时要避免使用sigmoid和tanh函数。

在神经网络层数较多的时候，最好使用ReLu函数，ReLu函数比较简单计算量少，而sigmoid和tanh函数计算量大很多。

在选择激活函数的时候可以先选用ReLu函数如果效果不理想可以尝试其他激活函数。

多层感知机

多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络，且每个隐藏层的输出通过激活函数进行变换。多层感知机的层数和各隐藏层中隐藏单元个数都是超参数。以单隐藏层为例并沿用本节之前定义的符号，多层感知机按以下方式计算输出：

$\mathbf{H} =\phi ( \mathbf{X} \mathbf{W_{h}}+ \mathbf{b_{h}}})$

$\mathbf{O} = \mathbf{H} \mathbf{W_{o}}+ \mathbf{b_{o}}}$

$\phi$ 表示激活函数。

多层感知机从零开始的实现

import torch
import numpy as np
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l
print(torch.__version__)

#获取训练集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,root='/home/kesci/input/FashionMNIST2065')

#定义模型参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256

W1 = torch.tensor(np.random.normal(0, 0.01, (num_inputs, num_hiddens)), dtype=torch.float)
b1 = torch.zeros(num_hiddens, dtype=torch.float)
W2 = torch.tensor(np.random.normal(0, 0.01, (num_hiddens, num_outputs)), dtype=torch.float)
b2 = torch.zeros(num_outputs, dtype=torch.float)

params = [W1, b1, W2, b2]
for param in params:
    param.requires_grad_(requires_grad=True)

#定义激活函数
def relu(X):
    return torch.max(input=X, other=torch.tensor(0.0))

#定义网络
def net(X):
    X = X.view((-1, num_inputs))
    H = relu(torch.matmul(X, W1) + b1)
    return torch.matmul(H, W2) + b2

#定义损失函数
loss = torch.nn.CrossEntropyLoss()

#训练
num_epochs, lr = 5, 100.0
# def train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size,
#               params=None, lr=None, optimizer=None):
#     for epoch in range(num_epochs):
#         train_l_sum, train_acc_sum, n = 0.0, 0.0, 0
#         for X, y in train_iter:
#             y_hat = net(X)
#             l = loss(y_hat, y).sum()
#             
#             # 梯度清零
#             if optimizer is not None:
#                 optimizer.zero_grad()
#             elif params is not None and params[0].grad is not None:
#                 for param in params:
#                     param.grad.data.zero_()
#            
#             l.backward()
#             if optimizer is None:
#                 d2l.sgd(params, lr, batch_size)
#             else:
#                 optimizer.step()  # “softmax回归的简洁实现”一节将用到
#             
#             
#             train_l_sum += l.item()
#             train_acc_sum += (y_hat.argmax(dim=1) == y).sum().item()
#             n += y.shape[0]
#         test_acc = evaluate_accuracy(test_iter, net)
#         print('epoch %d, loss %.4f, train acc %.3f, test acc %.3f'
#               % (epoch + 1, train_l_sum / n, train_acc_sum / n, test_acc))

d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params, lr)

多层感知机pytorch实现

import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l

print(torch.__version__)

#初始化模型和各个参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256
    
net = nn.Sequential(
        d2l.FlattenLayer(),
        nn.Linear(num_inputs, num_hiddens),
        nn.ReLU(),
        nn.Linear(num_hiddens, num_outputs), 
        )
    
for params in net.parameters():
    init.normal_(params, mean=0, std=0.01)

#训练
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,root='/home/kesci/input/FashionMNIST2065')
loss = torch.nn.CrossEntropyLoss()

optimizer = torch.optim.SGD(net.parameters(), lr=0.5)

num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)

参考资料：

https://www.boyuai.com/elites/course/cZu18YmweLv10OeV/jupyter/U-WdzWhU6C29MaLj0udI5