发布时间:2022-08-30 08:00
单层感知机一般用于处理二分类问题
相较于softmax回归,其只是多加了一个隐藏层
可以通过在网络中加入一个或多个隐藏层来克服线性模型的限制, 使其能处理更普遍的函数关系类型。 要做到这一点,最简单的方法是将许多全连接层堆叠在一起。 每一层都输出到上面的层,直到生成最后的输出。 我们可以把前层看作表示,把最后一层看作线性预测器。 这种架构通常称为多层感知机(multilayer perceptron),通常缩写为MLP
多层感知机可以通过隐藏神经元,捕捉到输入之间复杂的相互作用, 这些神经元依赖于每个输入的值。 我们可以很容易地设计隐藏节点来执行任意计算。 例如,在一对输入上进行基本逻辑操作,多层感知机是通用近似器。 即使是网络只有一个隐藏层,给定足够的神经元和正确的权重, 我们可以对任意函数建模,尽管实际中学习该函数是很困难的。 你可能认为神经网络有点像C语言。 C语言和任何其他现代编程语言一样,能够表达任何可计算的程序。 但实际上,想出一个符合规范的程序才是最困难的部分。
而且,虽然一个单隐层网络能学习任何函数, 但并不意味着我们应该尝试使用单隐藏层网络来解决所有问题。 事实上,通过使用更深(而不是更广)的网络,我们可以更容易地逼近许多函数
。
激活函数(activation function)
通过计算加权和并加上偏置来确定神经元是否应该被激活, 它们将输入信号转换为输出的可微运算。 大多数激活函数都是非线性的
最受欢迎的激活函数是修正线性单元(Rectified linear unit,ReLU), 因为它实现简单,同时在各种预测任务中表现良好。 ReLU提供了一种非常简单的非线性变换。 给定元素x,ReLU函数被定义为该元素与0的最大值:
通俗地说,ReLU函数通过将相应的活性值设为0,仅保留正元素并丢弃所有负元素。 为了直观感受一下,我们可以画出函数的曲线图。 正如从图中所看到,激活函数是分段线性的。
对于一个定义域在中的输入, sigmoid函数
将输入变换为区间(0, 1)上的输出。 因此,sigmoid通常称为挤压函数(squashing function): 它将范围(-inf, inf)中的任意输入压缩到区间(0, 1)中的某个值:
sigmoid函数的导数图像如下所示。 注意,当输入为0时,sigmoid函数的导数达到最大值0.25; 而输入在任一方向上越远离0点时,导数越接近0。
与sigmoid函数类似, tanh(双曲正切)
函数也能将其输入压缩转换到区间(-1, 1)上。 tanh函数的公式如下:
tanh函数的导数图像如下所示。 当输入接近0时,tanh函数的导数接近最大值1。 与我们在sigmoid函数图像中看到的类似, 输入在任一方向上越远离0点,导数越接近0。
多层感知机通过激活函数和隐藏层来得到非线性模型
常用的激活函数有sigmoid,Tanh,ReLU
使用SoftMax处理多类分类
import torch
from torch import nn
from d2l import torch as d2l
#引入数据,我们仍使用Fashion-MNIST图像分类数据集
batch_size = 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
#初始化模型参数
num_inputs, num_outputs, num_hiddens = 784, 10, 256
W1 = nn.Parameter(torch.randn(
num_inputs, num_hiddens, requires_grad=True) * 0.01)
b1 = nn.Parameter(torch.zeros(num_hiddens, requires_grad=True))
W2 = nn.Parameter(torch.randn(
num_hiddens, num_outputs, requires_grad=True) * 0.01)
b2 = nn.Parameter(torch.zeros(num_outputs, requires_grad=True))
params = [W1, b1, W2, b2]
def relu(X):
a = torch.zeros_like(X)
return torch.max(X, a)
def net(X):
X = X.reshape((-1, num_inputs))#这里-1代表我不知道行数,即按照原本的数据分成784列,能分多少行分多少行,这里X由于一次性读入256行,则有256行
H = relu(X@W1 + b1) # 这里“@”代表矩阵乘法
return (H@W2 + b2)
#损失函数
loss = nn.CrossEntropyLoss(reduction='none')
#训练模型
from matplotlib import pyplot as pil
num_epochs, lr = 10, 0.1
updater = torch.optim.SGD(params, lr=lr)
pil.axes=d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, updater)
pil.show()
pil.axes=d2l.predict_ch3(net, test_iter)
pil.show()
import torch
from torch import nn
from d2l import torch as d2l
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)
from matplotlib import pyplot as pil
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
pil.axes=train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
pil.show()
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
LSTM时间序列预测:圆圈搜索算法(Circle Search Algorithm,CSA)优化LSTM权值和阈值(提供MATLAB代码)
直播回顾 | smardaten李鸿飞解读中国低/无代码行业研究报告:风向变了
MindSpore报错 StridedSlice这个算子在Ascend硬件上不支持input是uint8的数据类型
清华镜像用不了?conda安装tensorflow教程以及多种报错的解决(windows环境)
HTML5中的线性渐变(linear-gradient)与径向渐变(radial-gradient)