跟李沐学AI--多层感知机

学习笔记，来源于李沐的课程
自己动手实现一个多层感知机
这里使用Fashion-MNIST图像分类数据集，用一包含一个隐藏层的多层感知机进行简单的分类训练。多层感知机的结构如下图所示。

1. 输入层是数据集中的图片，每张图片的尺寸是2828，因此这里的输入可以看作将图片展开为一维张量后每个通道的像素，即n=2828=784。
2. 隐藏层，这里隐藏层的大小设置为m=256。
3. 输出层，该数据集一共有10个分类，故输出层数量为t=10。
   
   代码如下：

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


batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)    # d2l库中加载train 和test数据
num_inputs, num_outputs, num_hiddens = 784, 10, 256

# 初始化线性层的参数，注意这里的参数数量要对应
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]


def relu(x):
    a = torch.zeros_like(x)
    return torch.max(x, a)


def net(x):  
    x = x.reshape((-1, num_inputs))  # 将图片展开
    H = relu(x@w1 + b1)              # 第一个线性层操作后relu
    return (H@w2 + b2)               # 第二个线性


loss = nn.CrossEntropyLoss(reduction='none')   # 计算交叉熵损失
num_epochs, lr = 10, 0.1    
updater = torch.optim.SGD(params, lr=lr)       # 梯度优化方法为SGD
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)    # 训练
d2l.predict_ch3(net, test_iter)       # 预测
d2l.plt.show()

得到的运行的结果如下：


也可以用torch封装好的函数简洁的实现以上操作：

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


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


def main():
    batch_size, lr, num_epochs = 256, 0.1, 20
    train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
    net = nn.Sequential(nn.Flatten(), nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 10))
    net.apply(init_weights)
    loss = nn.CrossEntropyLoss(reduction='none')
    trainer = torch.optim.SGD(net.parameters(), lr=lr)
    d2l.train_ch3(net, test_iter, test_iter, loss, num_epochs, trainer)
    d2l.plt.show()


if __name__ == "__main__":
    main()