从零开始

导包

import d2lzh as d2l
from mxnet import nd
from mxnet.gluon import loss as gloss

读取数据集

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

定义模型参数

因为有28*28=784且共10类，因而分别设置num_inputs,num_outputs=784,10
而隐藏单元格数是可以随意更改的
提前剧透
下图是设置num_hiddens=256时

下图是设置为num_hiddens=300时

以及最后更改到100时，对比三者其实并不能发现有实质性的变化，主要不同还是在于3个值的略微不同，毕竟计算量上还是有差异的，但是显然影响不太大

num_inputs,num_outputs,num_hiddens=784,10,256
W1 = nd.random.normal(scale=0.01,shape=(num_inputs,num_hiddens))
b1 = nd.zeros(num_hiddens)
W2 = nd.random.normal(scale=0.01,shape=(num_hiddens,num_outputs))
b2 = nd.zeros(num_outputs)
params=[W1,b1,W2,b2]
for param in params:
    param.attach_grad()

定义激活函数

def relu(X):
    return nd.maximum(X,0)

定义模型

def net(X):
    X = X.reshape((-1,num_inputs))
    H =relu(nd.dot(X,W1)+b1)
    return nd.dot(H,W2)+b2

损失函数

loos = gloss.SoftmaxCrossEntropyLoss()

训练模型

num_epochs,lr=5,0.5
d2l.train_ch3(net,train_iter,test_iter,loos,num_epochs,batch_size,params,lr)

多层感知机的简洁实现

导包

import d2lzh as d2l
from mxnet import gluon,init
from mxnet.gluon import loss as gloss,nn

定义模型

nn.Sequential()也是老朋友了，加网络用的
add加网络，先加一个全连接层（256个参数，激活函数为relu）

net = nn.Sequential()
net.add(nn.Dense(256,activation='relu'),nn.Dense(10))
net.initialize(init.Normal(sigma=0.01))

训练模型

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

loss= gloss.SoftmaxCrossEntropyLoss() trainer = gluon.Trainer(net.collect_params(),'sgd',{'learning_rate':0.5}) num_epochs=5 d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,batch_size,None,None,trainer)