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()

  2. ```{.python .input}
  3. #@tab pytorch
  4. from d2l import torch as d2l
  5. import torch
  6. from torch import nn

```{.python .input}

@tab tensorflow

from d2l import tensorflow as d2l import tensorflow as tf

  2. ## 模型
  4. 与softmax回归的简洁实现（ :numref:`sec_softmax_concise`）相比，
  5. 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）。
  6. 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**)。
  7. 第二层是输出层。
  9. ```{.python .input}
  10. net = nn.Sequential()
  11. net.add(nn.Dense(256, activation='relu'),
  12.         nn.Dense(10))
  13. 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);

  2. ```{.python .input}
  3. #@tab tensorflow
  4. net = tf.keras.models.Sequential([
  5.     tf.keras.layers.Flatten(),
  6.     tf.keras.layers.Dense(256, activation='relu'),
  7.     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})

  2. ```{.python .input}
  3. #@tab pytorch
  4. batch_size, lr, num_epochs = 256, 0.1, 10
  5. loss = nn.CrossEntropyLoss(reduction='none')
  6. 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)

  2. ```{.python .input}
  3. #@tab all
  4. train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
  5. 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

  1. 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？
  2. 尝试不同的激活函数，哪个效果最好？
  3. 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: