Day 12-13: 构建你的第一个神经网络
在这两天里，我动手实践构建了我的第一个神经网络，目的是解决一个基本的分类问题。使用了两个主流的深度学习框架：PyTorch和TensorFlow，以对比和理解它们在神经网络构建方面的不同。
目标：构建一个全连接的神经网络来处理分类问题。
过程：
设计网络结构，包括输入层、若干隐藏层和输出层。
选择合适的激活函数，如ReLU。
定义损失函数和优化器，例如使用交叉熵损失和Adam优化器。
实现：
在PyTorch中，我定义了一个nn.Module类，通过定义forward方法来实现数据的前向传播。
在TensorFlow中，我使用Sequential API来构建模型，这是一种更简洁、更高级的方法。
以下是具体的实现代码：
PyTorch代码示例
import torch
import torch.nn as nn
import torch.optim as optim
定义一个全连接神经网络
class FullyConnectedNN(nn.Module):
def init (self):
super(FullyConnectedNN, self).init ()
self.fc1 = nn.Linear(784, 128) # 假设输入是28x28图像，展平后的大小为784
self.relu = nn.ReLU()
self.fc2 = nn.Linear(128, 10) # 假设有10个类别
def forward(self, x):
x = self.fc1(x)
x = self.relu(x)
x = self.fc2(x)
return x实例化模型
model = FullyConnectedNN()
定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
TensorFlow代码示例：
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
定义一个全连接神经网络
model = Sequential([
Dense(128, activation='relu', input_shape=(784,)), # 假设输入是28x28图像，展平后的大小为784
Dense(10, activation='softmax') # 假设有10个类别
])
编译模型
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics='accuracy')
在这两个实现中，我专注于构建一个相对简单的神经网络，适用于处理基本的分类问题。通过这个练习，我加深了对神经网络结构和深度学习框架的理解，并获得了实际操作的经验。