MXNET深度學習框架-07-從0開始實現多層感知機(MLP)

多層感知機(multilayer perceptron，MLP)其實與邏輯迴歸沒有太大的區別，主要就是在輸入層和輸出層之間加了幾層隱層：

下面來實現一下這個網絡：
PS：與上兩章一樣，依舊使用服飾類的mnist數據集。

1、數據集獲取

mnist_train = gn.data.vision.FashionMNIST(train=True)
mnist_test = gn.data.vision.FashionMNIST(train=False)

2、數據讀取

batch_size = 100
transformer = gn.data.vision.transforms.ToTensor()
train_data = gn.data.DataLoader(dataset=mnist_train, batch_size=batch_size, shuffle=True)
test_data = gn.data.DataLoader(dataset=mnist_test, batch_size=batch_size, shuffle=False)

3、初始化模型參數

num_input = 28 * 28 * 1
num_output = 10
num_hidden=256  # 隱藏層神經元個數
w1 = nd.random_normal(shape=(num_input, num_hidden),scale=0.01) # 初始化(0.01內的值)
b1 = nd.zeros(shape=(num_hidden))

w2 = nd.random_normal(shape=(num_hidden, num_output),scale=0.01)
b2 = nd.zeros(shape=(num_output))
params = [w1, b1,w2,b2]
for param in params:
    param.attach_grad()  # 開闢臨時空間

4、激活函數
         如果我們使用線性操作符來構造神經網絡，那麼整個模型依舊是一個線性函數：
          $Y=X*W_1*W_2=X*W_3$ ，這裏 $W_1*W_2=W_3$ 。
         所以爲了讓模型可以擬合非線性函數，引入一個非線性激活函數：
          $relu(x)=max(x,0)$

def relu(x):
    return nd.maximum(0,x)

5、定義模型

def net(x):
    x=x.reshape(-1,num_input)
    h1=relu(nd.dot(x,w1)+b1)
    output=nd.dot(h1,w2)+b2 # 最後一層一般不做激活
    return output

6、定義準確率

# 定義準確率
def accuracy(output,label):
    return nd.mean(output.argmax(axis=1)==label).asscalar()

def evaluate_accuracy(data_iter,net):# 定義測試集準確率
    acc=0
    for data,label in data_iter:
        data,label=transform(data,label)
        output=net(data)
        acc+=accuracy(output,label)
    return acc/len(data_iter)

7、梯度下降優化器

def SGD(params,lr):
    for pa in params:
        pa[:]=pa-lr*pa.grad # 參數沿着梯度的反方向走特定距離

8、訓練
（與前兩章一樣）

lr=0.5
epochs=20
for epoch in range(epochs):
    train_loss=0
    train_acc=0
    for image,y in train_data:
        image,y=transform(image,y) # 類型轉換，數據歸一化
        with ag.record():
            output=net(image)
            loss=cross_loss(output,y)
        loss.backward()
        # 將梯度做平均，這樣學習率不會對batch_size那麼敏感
        SGD(params,lr/batch_size)
        train_loss+=nd.mean(loss).asscalar()
        train_acc+=accuracy(output,y)
    test_acc=evaluate_accuracy(test_data,net)
    print("Epoch %d, Loss:%f, Train acc:%f, Test acc:%f"
          %(epoch,train_loss/len(train_data),train_acc/len(train_data),test_acc))

訓練結果：

可以看到，同樣是訓練20輪(與前兩章比較)，模型的準確率已經接近90%，可以說加入了隱層，分類效果確實較好。

9、預測
(與前兩章一樣)

# 訓練完成後，可對樣本進行預測
image_10,label_10=mnist_test[:10] #拿到前10個數據
show_image(image_10)
print("真實樣本標籤：",label_10)
print("真實數字標籤對應的服飾名：",get_fashion_mnist_labels(label_10))

image_10,label_10=transform(image_10,label_10)
predict_label=net(image_10).argmax(axis=1)
print("預測樣本標籤：",predict_label.astype("int8"))
print("預測數字標籤對應的服飾名：",get_fashion_mnist_labels(predict_label.asnumpy()))

預測結果：

附上所有源碼：

import mxnet.autograd as ag
import mxnet.ndarray as nd
import mxnet.gluon as gn

def transform(data, label):
    return data.astype("float32") / 255, label.astype("float32")  # 樣本歸一化


mnist_train = gn.data.vision.FashionMNIST(train=True)
mnist_test = gn.data.vision.FashionMNIST(train=False)
data, label = mnist_train[0:9]
print(data.shape, label)  # 查看數據維度
import matplotlib.pyplot as plt


def show_image(image):  # 顯示圖像
    n = image.shape[0]
    _, figs = plt.subplots(1, n, figsize=(15, 15))
    for i in range(n):
        figs[i].imshow(image[i].reshape((28, 28)).asnumpy())
    plt.show()


def get_fashion_mnist_labels(labels):  # 顯示圖像標籤
    text_labels = ['t-shirt', 'trouser', 'pullover', 'dress', 'coat',
                   'sandal', 'shirt', 'sneaker', 'bag', 'ankle boot']
    return [text_labels[int(i)] for i in labels]

#
# show_image(data)
# print(get_fashion_mnist_labels(label))

'''----數據讀取----'''
batch_size = 100
transformer = gn.data.vision.transforms.ToTensor()
train_data = gn.data.DataLoader(dataset=mnist_train, batch_size=batch_size, shuffle=True)
test_data = gn.data.DataLoader(dataset=mnist_test, batch_size=batch_size, shuffle=False)

'''----初始化模型參數----'''
num_input = 28 * 28 * 1
num_output = 10
num_hidden=256  # 隱藏層神經元個數
w1 = nd.random_normal(shape=(num_input, num_hidden),scale=0.01) # 初始化(0.01內的值)
b1 = nd.zeros(shape=(num_hidden))

w2 = nd.random_normal(shape=(num_hidden, num_output),scale=0.01)
b2 = nd.zeros(shape=(num_output))
params = [w1, b1,w2,b2]
for param in params:
    param.attach_grad()  # 開闢臨時空間

# 定義激活函數relu
def relu(x):
    return nd.maximum(0,x)

'''----定義模型----'''
# 所謂的模型就是將全連接層與relu串起來
def net(x):
    x=x.reshape(-1,num_input)
    h1=relu(nd.dot(x,w1)+b1)
    output=nd.dot(h1,w2)+b2 # 最後一層一般不做激活
    return output


# softmax和交叉熵損失函數
# 由於將它們分開會導致數值不穩定(前兩章博文的結果可以對比)，所以直接使用gluon提供的API
cross_loss=gn.loss.SoftmaxCrossEntropyLoss()

# 定義準確率
def accuracy(output,label):
    return nd.mean(output.argmax(axis=1)==label).asscalar()

def evaluate_accuracy(data_iter,net):# 定義測試集準確率
    acc=0
    for data,label in data_iter:
        data,label=transform(data,label)
        output=net(data)
        acc+=accuracy(output,label)
    return acc/len(data_iter)

# 梯度下降優化器
def SGD(params,lr):
    for pa in params:
        pa[:]=pa-lr*pa.grad # 參數沿着梯度的反方向走特定距離

# 訓練
lr=0.1
epochs=20
for epoch in range(epochs):
    train_loss=0
    train_acc=0
    for image,y in train_data:
        image,y=transform(image,y) # 類型轉換，數據歸一化
        with ag.record():
            output=net(image)
            loss=cross_loss(output,y)
        loss.backward()
        # 將梯度做平均，這樣學習率不會對batch_size那麼敏感
        SGD(params,lr/batch_size)
        train_loss+=nd.mean(loss).asscalar()
        train_acc+=accuracy(output,y)
    test_acc=evaluate_accuracy(test_data,net)
    print("Epoch %d, Loss:%f, Train acc:%f, Test acc:%f"
          %(epoch,train_loss/len(train_data),train_acc/len(train_data),test_acc))

'''----預測-------'''
# 訓練完成後，可對樣本進行預測
image_10,label_10=mnist_test[:10] #拿到前10個數據
show_image(image_10)
print("真實樣本標籤：",label_10)
print("真實數字標籤對應的服飾名：",get_fashion_mnist_labels(label_10))

image_10,label_10=transform(image_10,label_10)
predict_label=net(image_10).argmax(axis=1)
print("預測樣本標籤：",predict_label.astype("int8"))
print("預測數字標籤對應的服飾名：",get_fashion_mnist_labels(predict_label.asnumpy()))

MXNET深度學習框架-07-從0開始實現多層感知機(MLP)

OpenCV-C++-CUDA-06-形態學二值化操作

OpenCV-C++-CUDA-07-基於顏色的物體跟蹤

OpenCV-C++-CUDA-08-角點（特徵點）檢測

MXNET深度學習框架-06-使用gluon實現邏輯迴歸

OpenCV-C++-CUDA-05-高斯雙邊加速，實時美顏

Mac下配置sublime實現LaTeX

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結