【笔记】动手学深度学习-多层感知机

最新推荐文章于 2025-07-12 17:38:25 发布

原创最新推荐文章于 2025-07-12 17:38:25 发布 · 944 阅读

2 ·

本内容遵循CC 4.0 BY-SA版权协议

标签

#深度学习 #pytorch #神经网络

动手学深度学习专栏收录该内容

17 篇文章

订阅专栏

博客介绍了多层感知机相关知识，单层感知机是二分类模型，不能拟合异或模型，多层感知机用隐藏层和激活函数得到非线性模型，常用激活函数有Sigmoid、Tanh、ReLU，ReLU计算更快更常用。还给出了多层感知机简洁代码和从零开始的代码实现及训练、预测步骤。

基础知识

单层的感知机只是一个二分类模型，它的求解等价于使用批量大小为1的梯度下降算法，它不能拟合类似于xor（异或模型），所以后来才引入了多层感知机。

多层感知机使用隐藏层和激活函数来得到非线性模型

常用激活函数是Sigmoid，Tanh，ReLU

一个单隐藏层的例子：

各种激活函数就是一个分类函数，是为了解决图中手绘的那个图片太“硬”的问题，即x=0左右的求导问题。

relu函数相比于以上两个函数来说计算更快，所以更常用

注：关于网络中激活函数的选择效果都是差不多的，只要是非线性的激活函数即可。所以一般为了方便就选relu函数。

简洁代码实现

1 导入包

import torch
from torch import nn
from d2l import torch as d2l

2 创建网络

这里784是一个数据的输入，就是说这个网络输入的点有784个。256表示的是隐藏层的单元个数。10表示的是最终的输出是一个长为10的向量。

nn.Sequential()

net = nn.Sequential(nn.Flatten(),
                    nn.Linear(784, 256),
                    nn.ReLU(),
                    nn.Linear(256, 10)) #可以理解为网络是由这4部分组成的

def init_weights(m):
    if type(m) == nn.Linear:
        nn.init.normal_(m.weight, std=0.01)

net.apply(init_weights);

3 训练

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss()
trainer = torch.optim.SGD(net.parameters(), lr=lr)

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

从零开始代码实现

1 导入包

import torch
from torch import nn
from d2l import torch as d2l


batch_size = 256 #批量大小为256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size) #导入训练和测试数据集

2 参数w和b初始化

输入和输出个数参考softmax函数是实现根据模型固定了的。

Parameter torch.randn

num_inputs, num_outputs, num_hiddens = 784, 10, 256 #输入、输出、隐藏层单元 个数。

W1 = nn.Parameter(torch.randn(
    num_inputs, num_hiddens, requires_grad=True) * 0.01) #w初始化成一个随机的784*256的tensor
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True)) #b初始化一个
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]

3 ReLu函数

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

4 定义模型

即前向传播的计算

nn.CrossEntropyLoss()

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)

loss = nn.CrossEntropyLoss() #定义loss损失函数为交叉熵损失函数

5 训练

num_epochs, lr = 10, 0.1 #循环10次，学习率为0.1
updater = torch.optim.SGD(params, lr=lr) #随机梯度下降算法
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater) #画图

6 预测

d2l.predict_ch3(net, test_iter)