多层感知机
1. 基本知识
深度学习主要关注多层模型。在这里,我们将以多层感知机(multilayer perceptron,MLP)为例,介绍多层神经网络的概念。
多层感知机就是含有至少一个隐藏层的由全连接层组成的神经网络,且每个隐藏层的输出通过激活函数进行变换。多层感知机的层数和各隐藏层中隐藏单元个数都是超参数。以单隐藏层为例并沿用本节之前定义的符号,多层感知机按以下方式计算输出:
其中 表示激活函数。
下图展示了一个多层感知机的神经网络图,它含有一个隐藏层,该层中有5个隐藏单元。
具体来说,给定一个小批量样本
,其批量大小为
,输入个数为
。假设多层感知机只有一个隐藏层,其中隐藏单元个数为
。记隐藏层的输出(也称为隐藏层变量或隐藏变量)为
,有
。因为隐藏层和输出层均是全连接层,可以设隐藏层的权重参数和偏差参数分别为
和
,输出层的权重和偏差参数分别为
和
。
我们先来看一种含单隐藏层的多层感知机的设计。其输出 的计算为
也就是将隐藏层的输出直接作为输出层的输入。如果将以上两个式子联立起来,可以得到
从联立后的式子可以看出,虽然神经网络引入了隐藏层,却依然等价于一个单层神经网络:其中输出层权重参数为 ,偏差参数为$\boldsymbol{b}_h
2. 激活函数
上述问题的根源在于全连接层只是对数据做仿射变换(affine transformation),而多个仿射变换的叠加仍然是一个仿射变换。解决问题的一个方法是引入非线性变换,例如对隐藏变量使用按元素运算的非线性函数进行变换,然后再作为下一个全连接层的输入。这个非线性函数被称为激活函数(activation function)。
下面我们介绍几个常用的激活函数。
2.1 ReLU函数
ReLU(rectified linear unit)函数提供了一个很简单的非线性变换。给定元素 ,该函数定义为
可以看出,ReLU函数只保留正数元素,并将负数元素清零。
2.2 Sigmoid函数
sigmoid函数可以将元素的值变换到0和1之间:
2.3 tanh函数
tanh(双曲正切)函数可以将元素的值变换到-1和1之间:
2.4 关于激活函数的选择
ReLu函数是一个通用的激活函数,目前在大多数情况下使用。但是,ReLU函数只能在隐藏层中使用。
用于分类器时,sigmoid函数及其组合通常效果更好。由于梯度消失问题,有时要避免使用sigmoid和tanh函数。
在神经网络层数较多的时候,最好使用ReLu函数,ReLu函数比较简单计算量少,而sigmoid和tanh函数计算量大很多。
在选择激活函数的时候可以先选用ReLu函数如果效果不理想可以尝试其他激活函数。
3. PyTorch实现
3.1 导入相应的包
import torch
from torch import nn
from torch.nn import init
import numpy as np
import sys
sys.path.append("/home/kesci/input")
import d2lzh1981 as d2l
3.2 初始化模型和各个参数
# 定义输入特征数、输出特征以及隐藏层的个数
num_inputs, num_outputs, num_hiddens = 784, 10, 256
net = nn.Sequential(
# 转化输入维度
d2l.FlattenLayer(),
# 经过第一层线性回归
nn.Linear(num_inputs, num_hiddens),
# 经过激活函数
nn.ReLU(),
# 经过第二层线性回归
nn.Linear(num_hiddens, num_outputs),
)
# 初始化网络参数
for params in net.parameters():
init.normal_(params, mean=0, std=0.01)
3.3 训练
# 定义每个批量的样本数
batch_size = 256
# 训练集与测试集
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size,root='/home/kesci/input/FashionMNIST2065')
# 定义损失函数为交叉熵函数
loss = torch.nn.CrossEntropyLoss()
# 定义优化函数为随机梯度下降SGD
optimizer = torch.optim.SGD(net.parameters(), lr=0.5)
# 定义训练周期为5
num_epochs = 5
# 开始训练
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, batch_size, None, None, optimizer)
训练结果为: