博客地址：https://www.cnblogs.com/zylyehuo/

基本设置

python 复制代码

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

python 复制代码

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

初始化模型

为什么不直接使用 Tensor 而是用 nn.Parameter 函数将其转换为 parameter呢？

nn.Parameter 函数会向宿主模型注册参数，从而在参数优化的时候可以自动一起优化。
此外，由于内存在硬件中的分配和寻址方式，选择2的若干次幂作为层宽度会使计算更高效。

python 复制代码

num_inputs, num_outputs, num_hiddens = 784, 10, 256

# 输入层参数
W1 = nn.Parameter(torch.randn(
    num_inputs, num_hiddens, requires_grad=True) * 0.01)
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
# 隐藏层参数
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]

激活函数

python 复制代码

def relu(X):  # 自定义 ReLU 函数
    a = torch.zeros_like(X)
    return torch.max(X, a)

模型

由于忽略了空间结构，我们调用 reshape 函数将每个二维图像转换成长度为 num_inputs 的向量

python 复制代码

def net(X):
    X = X.reshape((-1, num_inputs))
    H = relu(X @ W1 + b1)  # 输入层运算+激活 这里"@"代表矩阵乘法
    return (H @ W2 + b2)  # 隐藏层运算

损失函数

python 复制代码

loss = nn.CrossEntropyLoss(reduction='none')  # 使用交叉熵损失函数

训练

python 复制代码

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)  # 优化算法
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

python 复制代码

d2l.predict_ch3(net, test_iter)  # 在一些测试集上运行一下这个模型

多层感知机的从零开始实现

基本设置

初始化模型

激活函数

模型

损失函数

训练