广州市网站建设报价,网站原型的交互怎么做,网站建设需要注意什么,宁波网易企业邮箱#x1f388; 作者#xff1a;Linux猿
#x1f388; 简介#xff1a;CSDN博客专家#x1f3c6;#xff0c;华为云享专家#x1f3c6;#xff0c;Linux、C/C、云计算、物联网、面试、刷题、算法尽管咨询我#xff0c;关注我#xff0c;有问题私聊#xff01;
… 作者Linux猿 简介CSDN博客专家华为云享专家Linux、C/C、云计算、物联网、面试、刷题、算法尽管咨询我关注我有问题私聊 欢迎小伙伴们点赞、收藏⭐、留言 本篇文章主要介绍《动手深度学习》实例中的多层感知机 MLP 的简洁实现。
一、代码实现
多层感知机MLP的简洁实现如下所示。
import torch
from torch import nn
from d2l import torch as d2l
1. 设置网络模型# nn.Sequential() 用于网络模型的各层
# nn.Flatten() 它用来将输入张量展平为 [batch_size, features] 的形式
# nn.Linear() 用于设置网络中的全连接层需要注意的是全连接层的输入与输出都是二维张量
# https://www.cnblogs.com/douzujun/p/13366939.html
net nn.Sequential(nn.Flatten(), # 输入的是 [batch_size, n, m], 经过 nn.Flatten 后变为 [batch_size, nxm], 其中, n和m分别为图像的行和列# [batch_size, in_features], [batch_size, out_features]nn.Linear(784, 256),# 激活函数 ReLU(x) max(0,x)nn.ReLU(),# [batch_size, in_features], [batch_size, out_features]nn.Linear(256, 10))
2. 设置和应用权重# 用于初始化权重
def init_weights(m):if type(m) nn.Linear:nn.init.normal_(m.weight, std0.01)# 用于初始化权重
net.apply(init_weights)
3. 设置超参数、损失函数、优化函数batch_size, lr, num_epochs 256, 0.1, 10
# 交叉熵损失函数一般用于多分类
loss nn.CrossEntropyLoss(reductionnone)
trainer torch.optim.SGD(net.parameters(), lrlr)
4. 训练模型# 获取训练集和测试集
# load_data_fashion_mnist 函数加载 Fashion-MNIST 数据集服饰数据集
train_iter, test_iter d2l.load_data_fashion_mnist(batch_size)# 训练模型
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
d2l.plt.show()
二、代码解析
在上述代码中需要注意的是 nn.Flatten() 函数默认情况下将输入的多维矩阵除第一维度外的部分扩展为一维例如假设有 [n,m,k] 的多维矩阵调用 nn.Flatten() 后变成 [n, m*k] 的矩阵。上述代码中大多数都是调用的封装的函数可以通过调节超参数以及替换对应的函数例如激活函数替换来提升训练精度。 感觉有帮助记得「一键三连」支持下哦有问题可在评论区留言感谢大家的一路支持猿哥将持续输出「优质文章」回馈大家
