PyTorch学习之路：多层全连接神经网络实现MNIST手写数字分类

最新推荐文章于 2024-09-03 18:10:16 发布

原创

最新推荐文章于 2024-09-03 18:10:16 发布 · 1.7k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#PyTorch #Python

本文通过PyTorch实现多层全连接神经网络，对MNIST数据集的手写数字进行分类，详细介绍了代码实现过程。

本代码参考廖星宇《深度学习入门之PyTorch》中示例代码，手动复现而来，仅供个人学习使用，侵删。

#多层全连接神经网络实现MNIST手写数字分类
import torch
import torch.nn as nn
import torch.optim as optim
from torch.autograd import Variable
from torch.utils.data import DataLoader
from torchvision import datasets, transforms

#定义三层全连接神经网络，每一层都是线性的
class simpleNet(nn.Module):
    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        #传入的参数分别为：输入的维度、第一层网络的神经元个数、第二层网络的神经元个数、第三层网络（输出层）的神经元个数
        super(simpleNet, self).__init__()
        self.layer1 = nn.Linear(in_dim, n_hidden_1)
        self.layer2 = nn.Linear(n_hidden_1, n_hidden_2)
        self.layer3 = nn.Linear(n_hidden_2, out_dim)

    def forward(self, x):
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        return x

#添加激活函数，改进网络的非线性
class Activation_Net(nn.Module):
    def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim):
        super(Activation_Net, self).__init__()
        self.la