4.3. 多层感知机的简洁实现¶

本节将介绍通过高级API更简洁地实现多层感知机。

from mindspore import nn
from d2l import mindspore as d2l

import torch
from torch import nn
from d2l import torch as d2l

4.3.1. 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。

mindspore pytorch

net = nn.SequentialCell([nn.Flatten(),
                         nn.Dense(784, 256),
                         nn.ReLU(),
                         nn.Dense(256, 10)])

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。

mindspore pytorch

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss()
trainer = nn.SGD(net.trainable_params(), learning_rate=lr)

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

../_images/output_mlp-concise_f87756_21_0.png

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
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)

../_images/output_mlp-concise_f87756_24_0.svg

4.3.2. 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。

4.3.3. 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？

mindspore pytorch

讨论