多层感知机代码实现

Posted 2022-05-30 LolitaAnn

要实现的多层感知机结构是这样的两层结构：

可能有人会有疑问为什么这是两层模型，我看到的说法是有几层权重就是基层模型，并且我听了很多课都是称这种为两层模型，不过不用纠结，你非想叫三层模型那就叫。但是这里为了让我和我听的课保持思路一致我就称为两层模型。

手动实现

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)

这里应该不用解释。设置mini-batch的批量大小为256，然后加载fashion-mnist数据集的训练集和测试集。

这里会出现一个用户警告，在手动实现softmax也写过了。不重复赘述。

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]

• 先是分别设置输入层，隐藏层和输出层的大小。
  • 之前说过数据集的每一个图片都是28*28的，因此输入向量大小就是28*28=784
  • 这里我们设定单隐藏层的多层感知机，它包含256个隐藏单元
  • 输出层向量大小是10，因为给图片分十个类。
• 然后初始化每一层的权重和bias。nn.Parameter加不加都可以，之前也没加。

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

这里激活函数用的是ReLU，不是sigmoid之类的。

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)

设定一下网络。

• 先对X处理一下性状。
• 相乘符号使用的是@，具体可以看这里：pytorch中的各种乘法。

loss = nn.CrossEntropyLoss()

这里直接使用交叉熵损失。

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)
d2l.predict_ch3(net, test_iter)

• 设定训练的迭代次数和学习率
• 设定优化
• d2l.train_ch3训练
• d2l.predict_ch3为了对学习到的模型进行评估，我们在一些测试数据上应用这个模型。

简介实现

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

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);

• net =
  • 设定模型，先对输入进行展开，将其变换为向量
  • 输入层到隐藏层是784→256
  • 设定ReLU层激活函数
  • 设定隐藏层到输出层
• init_weights给每一层初始化权重
• 将init_weights应用到net上。

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss()
trainer = torch.optim.SGD(net.parameters(), lr=lr)

• 这里batch_size是设定mini-batch的批量大小为256，lr设定learning-rate为0.1，num_epochs设定迭代次数为10
• 训练过程也是直接使用框架自带的SGD

  train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
  d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

  在这段代码中会出现手动实现softmax回归中提到的用户警告。可以直接忽略。从手动实现softmax那一节开始这个问题就一直伴随着我了，这个可以直接忽略了。

训练过程的实现与我们实现softmax回归时完全相同，这种模块化设计使我们能够将与和模型架构有关的内容独立出来。