模型

与softmax回归的简洁实现（ 3.7节）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。

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模型架构有关的内容独立出来。

batch_size, lr, num_epochs = 256, 0.1, 10
criterion = nn.CrossEntropyLoss(reduction='none')
optimizer = torch.optim.SGD(net.parameters(), lr=0.001)

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
for epoch in range(30):  # 100个epoch作为示例
    running_loss = 0.0
    for i, data in enumerate(tqdm(train_iter, 0)):
        inputs, labels = data
        # print(inputs.shape)
        # print(labels.shape)
        optimizer.zero_grad()
        outputs = net(inputs)
        loss = criterion(outputs,labels).sum()
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 200 == 199:    # 每200个小批量打印一次
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 200))
            running_loss = 0.0

print('Finished Training')1

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？