一、多层感知机的定义
多层感知机就是全连接层神经网络,如图1所示,其中隐含层可以有多层
图1. 多层感知机结构(隐含层与输出层之间为全连接,图中少了几根连接线)
“层”定义为输入权重(weight)与偏差(bias)的组合,如图2所示。
图2. “层”的定义
二、运行原理
2.1 数据输入
Input层输入向量,为每个输入层节点的数值,即,如图3所示。
图3. 多层感知机数据的输入(图中以输入层3个神经元,一个4神经元的隐含层,两个输出神经元为例,可包含多个隐含层,每层神经元个数不固定)
2.2 从输入层前向传播到隐含层
先看隐含层单个神经元的数据传输情况,如图4所示,每根连线都有一个权重(weight,),隐含层每个神经元都有一个偏置(bias,),sigmoid为激活函数,此时有
图4. 单个神经元数据传输情况
同理有
将隐含层数值拼成列向量有:
文章来源:https://www.toymoban.com/news/detail-658879.html
隐含层传播到下一隐含层,隐含层传播到输出层同理。文章来源地址https://www.toymoban.com/news/detail-658879.html
三、多层感知机的代码实现
3.1 从零开始实现
import torch
from torch import nn
from d2l import torch as d2l
# 一个batch更新一次参数,例如训练集有100个数据
# batch_size = 10,则遍历训练集更新10次参数,训练集完整跑一遍称为一个 epoch
batch_size = 256
# 下载数据集
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
# 输入层神经元数,输出层神经元数,第一层隐含层神经元数
num_inputs, num_outputs, num_hiddens = 784, 10, 256
# 从输入层到第一隐含层的权重矩阵
W1 = nn.Parameter(torch.randn(
num_inputs, num_hiddens, requires_grad=True) * 0.01)
# 第一隐含层的 bias 矩阵
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
# 从第一隐含层到输出层的权重矩阵
W2 = nn.Parameter(torch.randn(
num_hiddens, num_outputs, requires_grad=True) * 0.01)
# 输出层的bias矩阵
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))
# 所有需要更新的参数
params = [W1, b1, W2, b2]
# 激活函数
def relu(X):
a = torch.zeros_like(X)
return torch.max(X, a)
# 网络
def net(X):
# 将输入整理成列向量
X = X.reshape((-1, num_inputs))
# 从输入层到隐含层的计算过程
H = relu(X@W1 + b1) # 这里“@”代表矩阵乘法
# 返回从隐含层到输出层的计算结果
return (H@W2 + b2)
# 损失函数
loss = nn.CrossEntropyLoss(reduction='none')
# epoch 数和学习率
num_epochs, lr = 10, 0.1
# 优化器,即如何训练,这里使用SGD训练
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)
3.2 简洁实现
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);
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
到了这里,关于李沐pytorch学习-多层感知机及其实现的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!