深度学习——多层感知机的从零开始实现和简洁实现

目录

一、多层感知机的从零开始实现

python 复制代码
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)

1.1初始化模型参数

Fashion-MNIST中的每个图像由 28 × 28 = 784 28 \times 28=784 28×28=784个灰度像素值组成。所有图像共分为10个类别。 忽略像素之间的空间结构, 我们可以将每个图像视为具有784个输入特征 和10个类的简单分类数据集。

首先,我们将实现一个具有单隐藏层的多层感知机, 它包含256个隐藏单元。 我们用几个张量来表示我们的参数。 注意,对于每一层我们都要记录一个权重矩阵和一个偏置向量。 跟以前一样,我们要为损失关于这些参数的梯度分配内存。

python 复制代码
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]

torch.randn生成随机数并乘以0.01进行初始化。

1.2 激活函数

手动实现ReLU激活函数

python 复制代码
def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)

1.3 网络模型

使用reshape将每个二维图像转换为一个长度为num_inputs的向量。

python 复制代码
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)

1.4 损失函数

直接使用高级API中的内置函数来计算softmax和交叉熵损失。

python 复制代码
loss = nn.CrossEntropyLoss(reduction='none')

1.5 训练

可以直接调用d2l包的train_ch3函数, 将迭代周期数设置为10,并将学习率设置为0.1.

python 复制代码
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)

为了对学习到的模型进行评估,我们将在一些测试数据上应用这个模型。

python 复制代码
d2l.predict_ch3(net, test_iter)

因为d2l下载的包版本原因,直接运行可能会报错,因此,我上传了完整代码的ipynb文件,可以直接运行。

二、多层感知机的简洁实现

python 复制代码
import torch
from torch import nn
from d2l import torch as d2l

2.1 网络模型

与softmax回归的简洁实现相比, 唯一的区别是我们添加了2个全连接层(之前我们只添加了1个全连接层)。 第一层是隐藏层,它包含256个隐藏单元,并使用了ReLU激活函数。 第二层是输出层。

python 复制代码
net = nn.Sequential(nn.Flatten(),
                    nn.Linear(784, 256),
                    nn.ReLU(),
                    nn.Linear(256, 10))

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

net.apply(init_weights);

训练过程的实现与实现softmax回归时完全相同。

python 复制代码
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
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)

同理,这里可以参考源文件中的完整代码。
  对于相同的分类问题,多层感知机的实现与softmax回归的实现相同,只是多层感知机的实现里增加了带有激活函数的隐藏层。

相关推荐
晓131327 分钟前
第七章 Python基础进阶-异常、模块与包(其五)
人工智能·python
Swift社区32 分钟前
AI+自动化测试:如何让测试编写效率提升10倍?
人工智能
weixin_442424031 小时前
Opencv计算机视觉编程攻略-第九节 描述和匹配兴趣点
人工智能·opencv·计算机视觉
thinkMoreAndDoMore1 小时前
深度学习处理文本(5)
人工智能·python·深度学习
AI_Echoes1 小时前
检索增强生成(RAG) 优化策略篇
人工智能
congregalis1 小时前
跳出框架:一步步实现简易Deep Search Agent
人工智能·程序员·源码
weixin_750335521 小时前
李沐 X 动手学深度学习--第九章 现代循环神经网络
人工智能·rnn·深度学习
摸鱼仙人~1 小时前
深度学习数据集划分比例多少合适
人工智能·深度学习
矩阵猫咪1 小时前
基于时间卷积网络TCN实现电力负荷多变量时序预测(PyTorch版)
pytorch·深度学习·tcn·时序预测·时间卷积网络·电力负荷
Blossom.1182 小时前
《探索边缘计算:重塑未来智能物联网的关键技术》
人工智能·深度学习·神经网络·物联网·机器学习·计算机视觉·边缘计算