吉林天宇建设集团网站,手机软件开发公司,网站建设答案,豪圣建设项目管理网站#x1f468;#x1f393;作者简介#xff1a;一位即将上大四#xff0c;正专攻机器学习的保研er #x1f30c;上期文章#xff1a;机器学习深度学习——多层感知机 #x1f4da;订阅专栏#xff1a;机器学习深度学习 希望文章对你们有所帮助 为… 作者简介一位即将上大四正专攻机器学习的保研er 上期文章机器学习深度学习——多层感知机 订阅专栏机器学习深度学习 希望文章对你们有所帮助 为了与之前的softmax回归获得的结果进行比较将继续使用Fashion-MNIST图像分类数据集。
import torch
from torch import nn
from d2l import torch as d2lbatch_size 256
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size)多层感知机的从零开始实现 初始化模型参数激活函数模型损失函数训练预测 初始化模型参数
数据集的每个图像由28×28784个灰度像素值组成。所有图像分为10个类别。 忽略像素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。注意我们可以将这两个变量都视为超参数。通常我们选择2的若干次幂作为层的宽度。因为内存在硬件的分配和寻址方式这么做往往可以在计算上更高效。 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。并要为这些参数的梯度分配内存。
num_inputs, num_outputs, num_hiddens 784, 10, 256
W1 nn.Parameter(torch.randn(num_inputs, num_hiddens, requires_gradTrue) * 0.01)
b1 nn.Parameter(torch.zeros(num_hiddens, requires_gradTrue))
W2 nn.Parameter(torch.randn(num_hiddens, num_outputs, requires_gradTrue) * 0.01)
b2 nn.Parameter(torch.zeros(num_outputs, requires_gradTrue))
params [W1, b1, W2, b2]激活函数
这里就不用内置的了自己实现一下
def relu(X):a torch.zeros_like(X)return torch.max(X, a)模型
既然忽略了空间结构那就直接用reshape将每个二维图像转换为一个长度为num_inputs的向量
def net(X):X X.reshape((-1, num_inputs))H relu(XW1 b1) # 表示矩阵乘法return (HW2 b2)损失函数
之前已经从零实现过了softmax函数这里直接用内置函数计算softmax和交叉熵损失为什么要计算这两个之前在softmax的简洁实现中曾经证明过
loss nn.CrossEntropyLoss(reductionnone)训练
训练过程和softmax一样直接调用d2l的train_ch3函数就行了将迭代周期数设为10学习率设为0.1。
num_epochs, lr 10, 0.1
updater torch.optim.SGD(params, lrlr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)预测
对模型进行评估我们在测试数据上应用这个模型。
d2l.predict_ch3(net, test_iter)
d2l.plt.show()
