机器学习深度学习——多层感知机的简洁实现
👨🎓作者简介：一位即将上大四，正专攻机器学习的保研er
🌌上期文章：机器学习&&深度学习——多层感知机的从零开始实现
📚订阅专栏：机器学习&&深度学习
希望文章对你们有所帮助
之前的数学推导或者思维构建的过程是很慢的，而今天的进度却很快。这是今天的第五篇文章了，说明基础和思想慢慢掌握一点以后，直接开始起飞了，大家一起加油。
多层感知机的简洁实现
- 模型
- 训练
其实就是通过高级API来实现：
import torch
from torch import nn
from d2l import torch as d2l
模型
与之前的softmax回归相比，唯一区别就是我们添加了2个全连接层，之前只有1个。第一层是隐藏层，包含了256个隐藏单元，且使用了ReLU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)
其中，nn.Sequential的操作表明，先进行Flatten进行展平，再将784放到隐藏层变为256个单元（使用的全连接的方式），隐藏层这时候要执行nn.ReLU()，接着再放到全连接到输出层，输出10个。
训练
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
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)
d2l.plt.show()
