【动手深度学习4月10日】宝剑锋从磨砺出,梅花香自苦寒来。这篇文章主要讲述动手深度学习4月10日相关的知识,希望能为你提供帮助。
如果想看jupyter note效果的请点击??github地址??
多层感知机的从零开始实现
importtorch
from torch import nn
from d2l import torch as d2l
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
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
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]
实现ReLU激活函数表
def relu(X):
a = torch.zeros_like(X)
return torch.max(X,a)
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)
loss = nn.CrossEntropyLoss()
多层感知机的训练过程与softmax回归的训练过程完全相同
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)
多层感知机的简洁实现
import torch
from torch import nn
from d2l import torch as
隐藏层包含256个隐藏单元, 并使用了ReLU激活函数
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()
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)
推荐阅读
- 深度步态识别综述
- 动手深度学习3月28日
- 动手深度学习3月21日
- 动手深度学习3月27日
- 李航统计学习方法--8. 提升方法(详细推导)
- HashMap 实现原理与源码分析
- Spring Boot核心原理实现及核心注解类
- 让 Bug 无处藏身,Java 线上问题排查思路常用工具
- 难以想象SpringBoot中的条件注解底层居然是这样实现的