动手学深度学习4.2 多层感知机手动实现

参与11月更文挑战的第12天，活动详情查看：2021最后一次更文挑战

要实现的多层感知机结构是这样的两层结构：

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)

这里应该不用解释。看过我《动手学深度学习》笔记前几篇文章的应该都知道这里是设置mini-batch的批量大小为256，然后加载fashion-mnist数据集的训练集和测试集。

这里会出现一个用户警告，在手动实现softmax也写过了。不重复赘述。

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]

• 先是分别设置输入层，隐藏层和输出层的大小。
  • 之前说过数据集的每一个图片都是28*28的，因此输入向量大小就是28*28=784
  • 这里我们设定单隐藏层的多层感知机，它包含256个隐藏单元
  • 输出层向量大小是10，因为给图片分十个类。
• 然后初始化每一层的权重和bias。nn.Parameter加不加都可以，之前也没加。

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

这里激活函数用的是ReLU，不是sigmoid之类的。常用激活函数 - 掘金 (juejin.cn)

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)

设定一下网络。

• 先对X处理一下性状。
• 相乘符号使用的是@，具体可以看这里：pytorch中的各种乘法 - 掘金 (juejin.cn)。

loss = nn.CrossEntropyLoss()

这里直接使用交叉熵损失，就不重复造轮子了，感兴趣的去看动手学深度学习3.6-手动实现softmax回归 - 掘金 (juejin.cn)，里边有写怎么实现交叉熵损失的。

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)
d2l.predict_ch3(net, test_iter)

• 设定训练的迭代次数和学习率
• 设定优化
• d2l.train_ch3训练
• d2l.predict_ch3为了对学习到的模型进行评估，我们在一些测试数据上应用这个模型。