【d2l动手学深度学习】 Lesson 10 多层感知机 + 代码实现试验结果对比

文章目录

1. 介绍
2. 单层Softmax回归
- 2.1 手写Softmax
- - 训练效果
- 2.2 调用pytorch内置的softmax回归层实现
- - 调用pytorch内置softmax实验结果
  - 总结
3. 一层感知机（MLP）+ Softmax
- 实验结果
Reference
写在最后

1. 介绍

在第十节课多层感知机的代码实现部分，做的小实验，介绍了对FashionMNIST（衣物）数据集进行十分类的神经网络实现效果，主要展示的是训练的Loss以及准确度的训练批次图，10个epoch

2. 单层Softmax回归

2.1 手写Softmax

Softmax函数，输入是一个二维张量

首先，对输入的矩阵进行求指数exp(X) , 不会改变矩阵大小
接着，对dim_1 进行求和，得到每个example的指数总和（下面公式的分母部分）
最后，将整个矩阵相除，得到指数归一化的输出（不改变矩阵形状）

softmax求和

softmax函数内部求和

def softmax(X):X_exp = torch.exp(X) # 1. 求指数partition = X_exp.sum(1, keepdim=True) # 2. 求和return X_exp / partition # keepdim to boardcast 3. 输出指数归一化矩阵

这个函数在自定义的网络中net( X )调用

def net(X):# -1 means convert the dimension atomatically# the input shape X (256, 1, 28, 28) --> (28*28, 256)return softmax(torch.matmul(X.reshape((-1, W.shape[0])), W) + b)

最后，写一个epoch迭代
⚠️：这里面没有写梯度更新的函数，直接调用torch中的自动求道实现，也就是下文代码中的updater.step()。

for X, y in train_iter:y_hat = net(X) # 将batch传入进去l = loss(y_hat, y) # 计算loss值if isinstance(updater, torch.optim.Optimizer):updater.zero_grad()l.backward() # 求梯度updater.step() # 根据梯度更新权重参数矩阵Wmetric.add(float(l) * len(y), accuracy(y_hat, y),y.size().numel())else:l.sum().backward()updater(X.shape[0])metric.add(float(l.sum()), accuracy(y_hat, y), y.numel())

训练效果

手动实现的Softmax训练效果

手动实现的Softmax训练效果

2.2 调用pytorch内置的softmax回归层实现

⚠️：nn.CrossEntropyLoss()会在输出的时候自动应用Softmax进行求Loss（公式如下图所示）

net = nn.Sequential(nn.Flatten(), nn.Linear(784, 10))  loss = nn.CrossEntropyLoss() # 损失函数 内嵌了Softmax函数trainer = torch.optim.SGD(net.parameters(), lr=0.1) # 梯度下降优化器选择

在这里插入图片描述

Pytorch文档.CROSSENTROPYLOSS

调用pytorch内置softmax实验结果

内置Softmax实现

内置Softmax实现10分类的回归效果

总结

可以看到，调用torch内部实现的Softmax函数经过优化之后，相比手写的Softmax函数，迭代的过程更加稳定（抖动更小）

3. 一层感知机（MLP）+ Softmax

W1 = nn.Parameter(torch.randn(num_inputs, num_hiddens, requires_grad=True))
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(torch.randn(num_hiddens, num_outputs, requires_grad=True))
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))# function ReLU
def relu(X):a = torch.zeros_like(X)return torch.max(X, a)# model
def net(X):X = X.reshape((-1, num_inputs)) # 行数自动调整（batch_size），列数规定H = relu(X @ W1 + b1)return (H @ W2 + b2)loss = nn.CrossEntropyLoss() # 隐式实现 Softmax