9、基于多层感知机的姓氏分类模型

基于多层感知机的姓氏分类模型

1. 多层感知机（MLP）基础

多层感知机（MLP）是堆叠的线性层，用于将张量映射到其他张量。在每对线性层之间使用非线性函数，以打破线性关系，使模型能够扭曲向量空间。在分类任务中，这种扭曲应使不同类别之间具有线性可分性。

1.1 输出概率化

MLP 的输出可以通过 softmax 函数转换为概率。softmax 函数的基本直觉是，较大的正值会产生较高的概率，较小的负值会产生较小的概率。以下是一个示例代码：

# 示例 4-4：使用多层感知机分类器生成概率输出
y_output = mlp(x_input, apply_softmax=True)
describe(y_output)

输出结果如下：

Type: torch.FloatTensor
Shape/size: torch.Size([2, 4])
Values: 
tensor([[ 0.2087,  0.2868,  0.3127,  0.1919],
        [ 0.1832,  0.2824,  0.3649,  0.1696]])

需要注意的是，在某些损失函数（如交叉熵损失）的训练过程中，计算 softmax 不仅浪费计算资源，而且在许多情况下数值不稳定，因此 softmax 函数的应用是可选的。

2. 姓氏分类示例

2.1 姓氏数据集

姓氏数据集包含来自 18 个