MLP
以多層感知機爲例,概述多層神經網絡
隱藏層
此圖爲多層感知機的神經網絡圖,它含有一個隱藏層,該層中有5個隱藏單元。
表達公式
具體來說,給定一個小批量樣本,其批量大小爲,輸入個數爲。假設多層感知機只有一個隱藏層【其中隱藏單元個數爲】記隱藏層的輸出(也稱爲隱藏層變量或隱藏變量)爲,有。
因爲隱藏層和輸出層均是全連接層,可以設隱藏層的權重參數和偏差參數分別爲和 ,輸出層的權重和偏差參數分別爲和。
含單隱藏層的多層感知機的設計。其輸出的計算爲
也就是將隱藏層的輸出直接作爲輸出層的輸入。如果將以上兩個式子聯立起來,可以得到
存在的問題
- 雖然神經網絡引入了隱藏層,卻依然等價於一個單層神經網絡
- 其中輸出層權重參數爲,偏差參數爲、
結論:隱藏層未起到作用
激活函數
問題解釋
全連接層只是對數據做仿射變換(affine transformation),而多個仿射變換的疊加仍然是一個仿射變換。
解決方法
引入非線性變換
Example:對隱藏變量使用按元素運算的非線性函數進行變換,然後再作爲下一個全連接層的輸入。
這個非線性函數被稱爲激活函數(activation function)。
ReLU(rectified linear unit)函數提供了一個很簡單的非線性變換。給定元素,該函數定義爲
可以看出,ReLU函數只保留正數元素,並將負數元素清零。
sigmoid函數可以將元素的值變換到0和1之間:
tanh(雙曲正切)函數可以將元素的值變換到-1和1之間:
我們接着繪製tanh函數。當輸入接近0時,tanh函數接近線性變換。雖然該函數的形狀和sigmoid函數的形狀很像,但tanh函數在座標系的原點上對稱。
激活函數的選擇
ReLu函數是一個通用的激活函數,目前在大多數情況下使用。但是,ReLU函數只能在隱藏層中使用。
用於分類器時,sigmoid函數及其組合通常效果更好。由於梯度消失問題,有時要避免使用sigmoid和tanh函數。
在神經網絡層數較多的時候,最好使用ReLu函數,ReLu函數比較簡單計算量少,而sigmoid和tanh函數計算量大很多。
在選擇激活函數的時候可以先選用ReLu函數如果效果不理想可以嘗試其他激活函數。
那麼之前表達式中輸出的計算變爲:
其中表示激活函數。
多層感知機實現
# import package and module
import torch
import numpy as np
import sys
sys.path.append("path to file storge d2lzh1981")
import d2lzh1981 as d2l
print(torch.__version__)
獲取數據集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,
root='path to FashionMNIST.zip')
定義模型參數
num_inputs, num_outputs, num_hiddens = 784, 10, 256
W1 = torch.tensor(np.random.normal(0, 0.01, (num_inputs, num_hiddens)), dtype=torch.float)
b1 = torch.zeros(num_hiddens, dtype=torch.float)
W2 = torch.tensor(np.random.normal(0, 0.01, (num_hiddens, num_outputs)), dtype=torch.float)
b2 = torch.zeros(num_outputs, dtype=torch.float)
params = [W1, b1, W2, b2]
for param in params:
param.requires_grad_(requires_grad=True)
定義激活函數
def relu(X):
return torch.max(input=X, other=torch.tensor(0.0))
#進行0和X的大小比較
定義網絡
def net(X):
X = X.view((-1, num_inputs))
H = relu(torch.matmul(X, W1) + b1)
return torch.matmul(H, W2) + b2
定義損失函數
loss = torch.nn.CrossEntropyLoss()
訓練
num_epochs, lr = 5, 100.0
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, params, lr)
多層感知機Pytorch簡化
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("path to file storge d2lzh1981")
import d2lzh1981 as d2l
初始化模型參數
# init model and param
num_inputs, num_outputs, num_hiddens = 784, 10, 256
net = nn.Sequential(
d2l.FlattenLayer(),
nn.Linear(num_inputs, num_hiddens),
nn.ReLU(),
nn.Linear(num_hiddens, num_outputs),
)
for params in net.parameters():
init.normal_(params, mean=0, std=0.01)
訓練
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,root='path to FashionMNIST.zip')
loss = torch.nn.CrossEntropyLoss()
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)