【动手学深度学习】多层感知机（MLP）

1 多层感知机的从零开始实现

• torch.nn

继续使用Fashion-MNIST图像分类数据集

导入需要的包

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)  ##获取迭代器

1.1 初始化模型参数

nn.Parameter()

为什么要乘0.01？

• 多层感知机中的超参数：隐藏层个数，每个隐藏层的隐藏单元个数（通常为2的若干次幂）

num_inputs, num_outputs, num_hiddens = 784, 10, 256
# num_hiddens为单隐藏层中隐藏单元的个数
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]

1.2 激活函数

为了进一步了解实现的细节，我们在这里自己定义一个ReLU激活函数，而不是直接调用内置relu函数

def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)   # 返回0和X中的最大值

1.3 模型

• @

代表矩阵乘法运算，相当于torch.mul()

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