隱藏層
多層感知機含有一個隱藏層,
以下是一種含單隱藏層的多層感知機的設計,其輸出的公式爲:
將以上兩個式子聯立起來,可以得到
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。不難發現,即便再添加更多的隱藏層,以上設計依然只能與僅含輸出層的單層神經網絡等價。
解決辦法是引入非線性變換,也叫激活函數。
激活函數
ReLU函數
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
sigmoid函數可以將元素的值變換到0和1之間:
tanh函數
tanh(雙曲正切)函數可以將元素的值變換到-1和1之間:
關於激活函數的選擇
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。
加上激活函數之後,我們的多層感知機公式爲
其中表示激活函數。
多層感知機pytorch實現
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
num_inputs, num_outputs, num_hiddens = 784, 10, 256
# 網絡結構
net = nn.Sequential(
d2l.FlattenLayer(), # 圖片數據轉爲一維
nn.Linear(num_inputs, num_hiddens), # 線性模型
nn.ReLU(), # 激活函數
nn.Linear(num_hiddens, num_outputs), # 線性模型
)
for params in net.parameters():
init.normal_(params, mean=0, std=0.01) # 初始化參數
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,root='/home/kesci/input/FashionMNIST2065')
loss = torch.nn.CrossEntropyLoss() # 損失函數
optimizer = torch.optim.SGD(net.parameters(), lr=0.5) # 梯度下降
num_epochs = 5
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)