【动手学深度学习】10.多层感知机(MLP)

一、感知机

1、感知机概念

给定输入x,权重w,和偏移b,感知机输出:
o = σ ( ⟨ w , x ⟩ + b ) σ ( x ) = { 1  if  x > 0 0  otherwise  o=\sigma(\langle\mathbf{w}, \mathbf{x}\rangle+b) \quad \sigma(x)=\left\{\begin{array}{ll} 1 & \text { if } x>0 \\ 0 & \text { otherwise } \end{array}\right. o=σ(⟨w,x+b)σ(x)={10 if x>0 otherwise 
各种区别:
感知机输出的离散的类:0或1
线性回归输出的是实数
softmax回归输出的是各个类别的概率

2、训练感知机

【动手学深度学习】10.多层感知机(MLP)_第1张图片
if 预测错误则执行,并更新w,b
等价于使用批量大小为1的梯度下降,使用的损失函数如下:
ℓ ( y , x , w ) = max ⁡ ( 0 , − y ⟨ w , x ⟩ ) \ell(y, \mathbf{x}, \mathbf{w})=\max (0,-y\langle\mathbf{w}, \mathbf{x}\rangle) (y,x,w)=max(0,yw,x⟩)

总结:

  • 感知机是一个二分类模型,是最早的AI模型之一。
  • 它的求解算法等价于使用批量大小为1的梯度下降。
  • 他不能解决XOR函数。

二、多层感知机

1、概念

【动手学深度学习】10.多层感知机(MLP)_第2张图片

  • 多层感知机的的引入原因是感知机无法区分XOR问题,只能产生线性平面,所以使用多层感知机来解决该问题。
  • 多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络,且每个隐藏层的输出通过激活函数进行变换。

2、激活函数

1、Sigmoid函数

将输入投影到 (0,1)
sigmoid ⁡ ( x ) = 1 1 + exp ⁡ ( − x ) \operatorname{sigmoid}(x)=\frac{1}{1+\exp (-x)} sigmoid(x)=1+exp(x)1
【动手学深度学习】10.多层感知机(MLP)_第3张图片

2、tanh函数

将输入投影到(-1.1)
tanh ⁡ ( x ) = 1 − exp ⁡ ( − 2 x ) 1 + exp ⁡ ( − 2 x ) \tanh (x)=\frac{1-\exp (-2 x)}{1+\exp (-2 x)} tanh(x)=1+exp(2x)1exp(2x)
【动手学深度学习】10.多层感知机(MLP)_第4张图片

3、Relu函数(常用)

ReLU ⁡ ( x ) = max ⁡ ( x , 0 ) \operatorname{ReLU}(x)=\max (x, 0) ReLU(x)=max(x,0)
【动手学深度学习】10.多层感知机(MLP)_第5张图片

三、实现多层感知机

1、从0实现

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

batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
num_inputs, num_outputs, num_hiddens = 784, 10, 256

W1 = nn.Parameter(
    torch.randn(num_inputs, num_hiddens, requires_grad=True) * 0.01)
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(
    torch.randn(num_hiddens, num_outputs, requires_grad=True) * 0.01)
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))

params = [W1, b1, W2, b2]

#Relu函数的实现
def relu(X):
    a = torch.zeros_like(X)
    return torch.max(X, a)              #各个元素相对位置求最大值,结果就是小于0取0大于零取大的值

#实现模型
def net(X):
    X = X.reshape((-1, num_inputs))
    H = relu(X @ W1 + b1)       #矩阵乘法使用@符号
    return (H @ W2 + b2)
#定义损失函数使用交叉熵损失函数 在多分类中常用
loss = nn.CrossEntropyLoss() 

num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)

2、简洁实现

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

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)

batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss()
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)

【动手学深度学习】10.多层感知机(MLP)_第6张图片

你可能感兴趣的:(动手学深度学习课堂笔记,深度学习,机器学习,人工智能)