多层感知机的从零开始实现

博客地址：https://www.cnblogs.com/zylyehuo/

基本设置

1. import torch
2. from torch import nn
3. from d2l import torch as d2l

复制代码

1. batch_size = 256
2. train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)

复制代码

初始化模型

为什么不直接使用 Tensor 而是用 nn.Parameter 函数将其转换为 parameter呢？

• nn.Parameter 函数会向宿主模型注册参数，从而在参数优化的时候可以自动一起优化。
  
• 此外，由于内存在硬件中的分配和寻址方式，选择2的若干次幂作为层宽度会使计算更高效。
  

1. num_inputs, num_outputs, num_hiddens = 784, 10, 256
3. # 输入层参数
4. W1 = nn.Parameter(torch.randn(
5.     num_inputs, num_hiddens, requires_grad=True) * 0.01)
6. b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
7. # 隐藏层参数
8. W2 = nn.Parameter(torch.randn(
9.     num_hiddens, num_outputs, requires_grad=True) * 0.01)
10. b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))
12. params = [W1, b1, W2, b2]

复制代码

激活函数

1. def relu(X):  # 自定义 ReLU 函数
2.     a = torch.zeros_like(X)
3.     return torch.max(X, a)

复制代码

模型

由于忽略了空间结构，我们调用 reshape 函数将每个二维图像转换成长度为 num_inputs 的向量

1. def net(X):
2.     X = X.reshape((-1, num_inputs))
3.     H = relu(X @ W1 + b1)  # 输入层运算+激活 这里“@”代表矩阵乘法
4.     return (H @ W2 + b2)  # 隐藏层运算

复制代码

损失函数

1. loss = nn.CrossEntropyLoss(reduction='none')  # 使用交叉熵损失函数

复制代码

训练

1. num_epochs, lr = 10, 0.1
2. updater = torch.optim.SGD(params, lr=lr)  # 优化算法
3. d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

复制代码

1. d2l.predict_ch3(net, test_iter)  # 在一些测试集上运行一下这个模型

复制代码

来源：程序园用户自行投稿发布，如果侵权，请联系站长删除
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！

感谢，下载保存了