企业官网建设流程全解析

查询网站备案密码是什么情况,asp.net 做网站源代码,站长工具综合查询站长工具,手机网站建设 上海多层感知机的简洁实现 学习目标 通过本课程#xff0c;学员将了解到如何更简洁地实现多层感知机#xff0c;具体来说#xff0c;学员会学习使用高级API更简洁地实现多层感知机、多层感知机的实现与softmax回归的实现相比增加了带有激活函数的隐藏层、以及如何将与模型架构有…多层感知机的简洁实现学习目标通过本课程学员将了解到如何更简洁地实现多层感知机具体来说学员会学习使用高级API更简洁地实现多层感知机、多层感知机的实现与softmax回归的实现相比增加了带有激活函数的隐藏层、以及如何将与模型架构有关的内容独立出来等重要内容。相关知识点多层感知机简洁实现学习内容1 多层感知机简洁实现本课程将介绍通过高级API更简洁地实现多层感知机。首先我们使用PyTorch的torch库并引入必要的模块如nn神经网络模块和d2l用于简化代码的工具库。%pip install d2l0.17.6--no-depsimporttorchfromtorchimportnnimporttorchvisionfromtorch.utilsimportdatafromtorch.utils.dataimportDataLoaderfromtorchvisionimporttransformsfromd2limporttorchasd2l1.1 构建模型与softmax回归的简洁实现相比唯一的区别是我们添加了2个全连接层之前只添加了1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。ReLURectified Linear Unit激活函数用于引入非线性使得模型能够学习更复杂的模式。第二层是输出层。用于生成最终的分类结果。接下来我们定义一个权重初始化函数init_weights用于初始化模型中的线性层权重。这里我们使用正态分布初始化权重标准差设为0.01。然后我们使用net.apply(init_weights)将初始化函数应用到模型的所有层。netnn.Sequential(nn.Flatten(),nn.Linear(784,256),nn.ReLU(),nn.Linear(256,10))definit_weights(m):iftype(m)nn.Linear:nn.init.normal_(m.weight,std0.01)net.apply(init_weights);1.2 训练过程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模型架构有关的内容独立出来。我们设置批量大小batch_size为256学习率lr为0.1训练轮数num_epochs为10。损失函数使用交叉熵损失CrossEntropyLoss优化器使用随机梯度下降SGDbatch_size,lr,num_epochs256,0.1,10lossnn.CrossEntropyLoss(reductionnone)trainertorch.optim.SGD(net.parameters(),lrlr)然后我们加载Fashion-MNIST数据集并开始训练模型。# 下载数据!wget https://model-community-picture.obs.cn-north-4.myhuaweicloud.com/ascend-zone/notebook_datasets/f3c4da6614e611f0b571fa163edcddae/FashionMNIST.zip!unzip FashionMNIST.zip# 通过ToTensor实例将图像数据从PIL类型变换成32位浮点数格式# 并除以255使得所有像素的数值均在01之间transtransforms.ToTensor()mnist_traintorchvision.datasets.FashionMNIST(root./data,trainTrue,transformtrans,downloadFalse)mnist_testtorchvision.datasets.FashionMNIST(root./data,trainFalse,transformtrans,downloadFalse)# 使用 DataLoader 实现分批次加载train_iterDataLoader(mnist_train,batch_sizebatch_size,shuffleTrue)test_iterDataLoader(mnist_test,batch_sizebatch_size,shuffleFalse)d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)