我们已经从上一节里了解了多层感知机的原理。下面,我们一起来动手实现一个多层感知机。首先导入实现所需的包或模块。
%matplotlib inline
import d2ltorch as d2lt
import torch
from torch import nn
这里继续使用Fashion-MNIST数据集。我们将使用多层感知机对图像进行分类。
root = '~/dataset'
batch_size = 256
train_iter, test_iter = d2lt.load_data_fashion_mnist(root, batch_size=batch_size)
我们在“softmax回归的从零开始实现”一节里已经介绍了,Fashion-MNIST数据集中图像形状为$28 \times 28$,类别数为10。本节中我们依然使用长度为$28 \times 28 = 784$的向量表示每一张图像。因此,输入个数为784,输出个数为10。实验中,我们设超参数隐藏单元个数为256。
num_inputs, num_outputs, num_hiddens = 784, 10, 256
W1 = torch.normal(torch.zeros(num_inputs, num_hiddens), std=0.01)
b1 = torch.zeros(num_hiddens)
W2 = torch.normal(torch.zeros(num_hiddens, num_outputs), std=0.01)
b2 = torch.zeros(num_outputs)
params = [W1, b1, W2, b2]
for param in params:
param.requires_grad_()
这里我们使用基础的clamp
函数来实现ReLU,而非直接调用relu
函数。
def relu(X):
return torch.clamp(X, min=0)
同softmax回归一样,我们通过reshape
函数将每张原始图像改成长度为num_inputs
的向量。然后我们实现上一节中多层感知机的计算表达式。
def net(X):
X = X.reshape(-1, num_inputs)
H = relu(torch.mm(X, W1) + b1)
return torch.mm(H, W2) + b2
为了得到更好的数值稳定性,我们直接使用nn提供的包括softmax运算和交叉熵损失计算的函数。
loss = nn.CrossEntropyLoss()
训练多层感知机的步骤和“softmax回归的从零开始实现”一节中训练softmax回归的步骤没什么区别。我们直接调用d2lzh
包中的train_ch3
函数,它的实现已经在“softmax回归的从零开始实现”一节里介绍过。我们在这里设超参数迭代周期数为5,学习率为0.5。
num_epochs, lr = 5, 0.5
d2lt.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size,
params, lr)
epoch 1, loss 0.0033, train acc 0.688, test acc 0.754 epoch 2, loss 0.0019, train acc 0.817, test acc 0.804 epoch 3, loss 0.0017, train acc 0.844, test acc 0.797 epoch 4, loss 0.0015, train acc 0.855, test acc 0.850 epoch 5, loss 0.0015, train acc 0.864, test acc 0.854