【动手学深度学习】多层感知机的从零开始实现（含源代码）

柔情只为你懂 2023-10-02 23:20 31阅读 0赞

#### 目录：多层感知机的从零开始实现 ####

*  一、导包+读取数据
 *  二、初始化模型参数
 *  三、激活函数
 *  四、模型
 *  五、损失函数
 *  六、训练
 *  七、输出结果
 *  八、预测函数
 *  八、源代码

现在让我们尝试自己实现一个多层感知机。 为了与之前softmax回归获得的结果进行比较， 我们将继续使用Fashion-MNIST图像分类数据集。

## 一、导包+读取数据 ##

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)

## 二、初始化模型参数 ##

回想一下，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。

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。 因为内存在硬件中的分配和寻址方式，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。 跟以前一样，我们要为损失关于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_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]

## 三、激活函数 ##

为了确保我们对模型的细节了如指掌， 我们将实现ReLU激活函数， 而不是直接调用内置的relu函数。

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

## 四、模型 ##

因为我们忽略了空间结构， 所以我们使用reshape将每个二维图像转换为一个长度为num\_inputs的向量。 只需几行代码就可以实现我们的模型。

def net(x):
        x = x.reshape((-1, num_inputs))
        H = relu(x @ w1 + b1)
        return (H @ w2 + b2)

## 五、损失函数 ##

这里我们直接使用高级API中的内置函数来计算softmax和交叉熵损失。

loss = nn.CrossEntropyLoss(reduction='none')

## 六、训练 ##

幸运的是，多层感知机的训练过程与softmax回归的训练过程完全相同。 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：

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

## 七、输出结果 ##

以下为简单的动图展示：  
![在这里插入图片描述][99195170e23642a3a663882f24e15aeb.png]  
![在这里插入图片描述][ef7c8390cba64ca2983f3ab779d4fff4.png]  
![在这里插入图片描述][724428fdb12d42bba3dd8aabcf4e53cf.png]  
![在这里插入图片描述][0a8f67db662c4427bc520f6c348f5e96.png]

## 八、预测函数 ##

d2l.predict_ch3(net, test_iter)
    d2l.plt.show()

![在这里插入图片描述][1c412f20b7f245a89b0974507cfbab00.png]

## 八、源代码 ##

import torch
    from torch import nn
    from d2l import torch as d2l
    
    
    def relu(x):
        a = torch.zeros_like(x)
        return torch.max(x, a)
    
    
    def net(x):
        x = x.reshape((-1, num_inputs))
        H = relu(x @ w1 + b1)
        return (H @ w2 + b2)
    
    
    if __name__ == '__main__':
        batch_size = 256
        train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
    
        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]
        loss = nn.CrossEntropyLoss(reduction='none')
        num_epochs = 10
        lr = 0.1
        updater = torch.optim.SGD(params, lr = lr)
        d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)
        d2l.predict_ch3(net, test_iter)
        d2l.plt.show()

[99195170e23642a3a663882f24e15aeb.png]: https://img-blog.csdnimg.cn/99195170e23642a3a663882f24e15aeb.png
[ef7c8390cba64ca2983f3ab779d4fff4.png]: https://img-blog.csdnimg.cn/ef7c8390cba64ca2983f3ab779d4fff4.png
[724428fdb12d42bba3dd8aabcf4e53cf.png]: https://img-blog.csdnimg.cn/724428fdb12d42bba3dd8aabcf4e53cf.png
[0a8f67db662c4427bc520f6c348f5e96.png]: https://img-blog.csdnimg.cn/0a8f67db662c4427bc520f6c348f5e96.png
[1c412f20b7f245a89b0974507cfbab00.png]: https://img-blog.csdnimg.cn/1c412f20b7f245a89b0974507cfbab00.png