Python深度学习pytorch神经网络多层感知机简洁实现 Python深度学习pytorch神经网络多

我们可以通过高级API更简洁地实现多层感知机。

import torchfrom torch import nnfrom d2l import torch as d2l

模型 【Python深度学习pytorch神经网络多层感知机简洁实现】与softmax回归的简洁实现相比，唯一的区别是我们添加了2个全连接层。第一层是隐藏层，它包含256个隐藏单元，并使用了ReLU激活函数。第二层是输出层。

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)

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。

batch_size, lr, num_epochs = 256, 0.1, 10# 批量大小为256，学习率为0.1，类型为10loss = nn.CrossEntropyLoss()# 使用交叉熵损失函数trainer = torch.optim.SGD(net.parameters(), lr=lr)# 开始训练