多层感知机的简洁实现
:label:sec_mlp_concise
正如你所期待的,我们可以(通过高级API更简洁地实现多层感知机)。
```{.python .input} from d2l import mxnet as d2l from mxnet import gluon, init, npx from mxnet.gluon import nn npx.set_np()
```{.python .input}
#@tab pytorch
from d2l import torch as d2l
import torch
from torch import nn
```{.python .input}
@tab tensorflow
from d2l import tensorflow as d2l import tensorflow as tf
## 模型
与softmax回归的简洁实现( :numref:`sec_softmax_concise`)相比,
唯一的区别是我们添加了2个全连接层(之前我们只添加了1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。
```{.python .input}
net = nn.Sequential()
net.add(nn.Dense(256, activation='relu'),
nn.Dense(10))
net.initialize(init.Normal(sigma=0.01))
```{.python .input}
@tab pytorch
net = nn.Sequential(nn.Flatten(), nn.Linear(784, 256), nn.ReLU(), nn.Linear(256, 10))
def initweights(m): if type(m) == nn.Linear: nn.init.normal(m.weight, std=0.01)
net.apply(init_weights);
```{.python .input}
#@tab tensorflow
net = tf.keras.models.Sequential([
tf.keras.layers.Flatten(),
tf.keras.layers.Dense(256, activation='relu'),
tf.keras.layers.Dense(10)])
[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。
```{.python .input} batch_size, lr, num_epochs = 256, 0.1, 10 loss = gluon.loss.SoftmaxCrossEntropyLoss() trainer = gluon.Trainer(net.collect_params(), ‘sgd’, {‘learning_rate’: lr})
```{.python .input}
#@tab pytorch
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
```{.python .input}
@tab tensorflow
batch_size, lr, num_epochs = 256, 0.1, 10 loss = tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True) trainer = tf.keras.optimizers.SGD(learning_rate=lr)
```{.python .input}
#@tab all
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
小结
- 我们可以使用高级API更简洁地实现多层感知机。
- 对于相同的分类问题,多层感知机的实现与softmax回归的实现相同,只是多层感知机的实现里增加了带有激活函数的隐藏层。
练习
- 尝试添加不同数量的隐藏层(也可以修改学习率),怎么样设置效果最好?
- 尝试不同的激活函数,哪个效果最好?
- 尝试不同的方案来初始化权重,什么方法效果最好?
:begin_tab:mxnet
Discussions
:end_tab:
:begin_tab:pytorch
Discussions
:end_tab:
:begin_tab:tensorflow
Discussions
:end_tab: