零基础-动手学深度学习-4.2多层感知机的从零开始实现

目录

一、初始化模型参数

二、激活函数

三、模型

四、损失函数

五、训练 

---

鄙人生医转码，道行浅薄请多谅解~仅作笔记交流记录使用：）

首先我们还是导入MINST的数据集和原本softmax回归进行比较结果：

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)

一、初始化模型参数

首先，我们将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，已知我们有784个输入特征和10个类的简单分类的数据集，同时为什么是256个隐藏单元是因为我们选择2的若干次幂作为层的宽度。 因为内存在硬件中的分配和寻址方式，这么做往往可以在计算上更高效。

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]

二、激活函数

 这里没有书上没有直接调用，自己写了一个练一下：

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

三、模型

因为我们忽略了空间结构， 所以我们使用reshape将每个二维图像转换为一个长度为num_inputs的向量。 只需几行代码就可以实现我们的模型

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)

四、损失函数

这里就跟之前一样

loss = nn.CrossEntropyLoss(reduction='none')

五、训练 

训练同理

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)