我們可以通過高級API更簡潔地實現(xiàn)多層感知機。

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

模型

與softmax回歸的簡潔實現(xiàn)相比，唯一的區(qū)別是我們添加了2個全連接層。第一層是隱藏層，它包含256個隱藏單元，并使用了ReLU激活函數(shù)。第二層是輸出層。

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)

訓(xùn)練過程的實現(xiàn)與我們實現(xiàn)softmax回歸時完全相同，這種模塊化設(shè)計使我們能夠?qū)⑴c和模型架構(gòu)有關(guān)的內(nèi)容獨立出來。

batch_size, lr, num_epochs = 256, 0.1, 10 # 批量大小為256，學(xué)習(xí)率為0.1，類型為10
loss = nn.CrossEntropyLoss() # 使用交叉熵?fù)p失函數(shù)
trainer = torch.optim.SGD(net.parameters(), lr=lr) # 開始訓(xùn)練

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

以上就是Python深度學(xué)習(xí)pytorch神經(jīng)網(wǎng)絡(luò)多層感知機簡潔實現(xiàn)的詳細內(nèi)容，更多關(guān)于pytorch神經(jīng)網(wǎng)絡(luò)的資料請關(guān)注本站其它相關(guān)文章！

版權(quán)聲明：本站文章來源標(biāo)注為YINGSOO的內(nèi)容版權(quán)均為本站所有，歡迎引用、轉(zhuǎn)載，請保持原文完整并注明來源及原文鏈接。禁止復(fù)制或仿造本網(wǎng)站，禁止在非www.sddonglingsh.com所屬的服務(wù)器上建立鏡像，否則將依法追究法律責(zé)任。本站部分內(nèi)容來源于網(wǎng)友推薦、互聯(lián)網(wǎng)收集整理而來，僅供學(xué)習(xí)參考，不代表本站立場，如有內(nèi)容涉嫌侵權(quán)，請聯(lián)系alex-e#qq.com處理。