亲宝软件园·资讯

展开

pytorch神经网络多层感知机 Python深度学习pytorch神经网络多层感知机简洁实现

Supre_yuan 人气:0
想了解Python深度学习pytorch神经网络多层感知机简洁实现的相关内容吗,Supre_yuan在本文为您仔细讲解pytorch神经网络多层感知机的相关知识和一些Code实例,欢迎阅读和指正,我们先划重点:Python深度学习,pytorch神经网络多层感知机,下面大家一起来学习吧。

我们可以通过高级API更简洁地实现多层感知机。

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

模型

与softmax回归的简洁实现相比,唯一的区别是我们添加了2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。

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和模型架构有关的内容独立出来。

batch_size, lr, num_epochs = 256, 0.1, 10    # 批量大小为256,学习率为0.1,类型为10
loss = nn.CrossEntropyLoss()    # 使用交叉熵损失函数
trainer = torch.optim.SGD(net.parameters(), lr=lr)    # 开始训练
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)

在这里插入图片描述

以上就是Python深度学习pytorch神经网络多层感知机简洁实现的详细内容,更多关于pytorch神经网络的资料请关注其它相关文章!

加载全部内容

相关教程
猜你喜欢
用户评论