跟李沐学AI——动手学深度学习 PyTorch版——学习笔记pycharm版本（第四天——10、11、12、13、14）2023.3.1

前言

这是沐神的第十节课。是讲多层感知机的，需要掌握牢固。以后会经常写的

代码讲解

跳过从零开始实现，直接进入简单代码的讲解

# 导入包
import torch
from torch import nn
from d2l import torch as d2l  # 这个包是沐神自己写的，里面的方法前面都有讲过

net = nn.Sequential(nn.Flatten(),  # 把图片展平，将输入数据展平，这里只保留第0维度
                    nn.Linear(784, 256),  # 第一层
                    nn.ReLU(),  # 激活
                    nn.Linear(256, 10))  # 第二层

def init_weights(m):  # 初始化参数
    if type(m) == nn.Linear:  # 如果是Liner则。。。。。（因为后面有的不是Liner）
        nn.init.normal_(m.weight, std=0.01)  # m.weight未初始化之前是0

net.apply(init_weights)   # 网络的每一层的权值都进行初始化

batch_size, lr, num_epochs = 256, 0.1, 10  # 一些超参数
loss = nn.CrossEntropyLoss(reduction='none') # 交叉熵损失函数
trainer = torch.optim.SGD(net.parameters(), lr=lr)  # 训练器，也就是优化器，选择随机梯度下降

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)  # 前面有讲过，是yeild小批量

d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)  # 开始训练
d2l.plt.show()  # 显示训练进程

第11课的内容

训练误差：模型在训练数据上的误差
泛化误差：模型在新数据上的误差

训练数据集：训练模型（比如平时做的习题）
验证数据集：验证模型好坏（比如平时的考试）
测试数据集：只用一次的数据集（比如高考）
K-则交叉验证：当数据集不大的时候使用
过拟合、欠拟合

数据复杂度：样本个数、每个样本的元素个数、时空结构、多样性

第12课的内容

正则化：限制w的权重，防止过拟拟合

第13课的内容

丢弃法：dropout

import torch
from torch import nn
from d2l import torch as d2l

def dropout_layer(X, dropout):
    assert 0 <= dropout <= 1  # assert:在不满足条件下，可以直接报错
    # 在本情况中，所有元素都被丢弃
    if dropout == 1:
        return torch.zeros_like(X)  # 像x的shape一样的都是0的元素
    # 在本情况中，所有元素都被保留
    if dropout == 0:
        return X
    mask = (torch.rand(X.shape) > dropout).float()
    return mask * X / (1.0 - dropout)  # 没有dropout的数据变大

num_inputs, num_outputs, num_hiddens1, num_hiddens2 = 784, 10, 256, 256

dropout1, dropout2 = 0.2, 0.5

class Net(nn.Module):
    def __init__(self, num_inputs, num_outputs, num_hiddens1, num_hiddens2,
                 is_training = True):
        super(Net, self).__init__()
        self.num_inputs = num_inputs
        self.training = is_training
        self.lin1 = nn.Linear(num_inputs, num_hiddens1)
        self.lin2 = nn.Linear(num_hiddens1, num_hiddens2)
        self.lin3 = nn.Linear(num_hiddens2, num_outputs)
        self.relu = nn.ReLU()

    def forward(self, X):
        H1 = self.relu(self.lin1(X.reshape((-1, self.num_inputs))))
        # 只有在训练模型时才使用dropout
        if self.training == True:
            # 在第一个全连接层之后添加一个dropout层
            H1 = dropout_layer(H1, dropout1)
        H2 = self.relu(self.lin2(H1))
        if self.training == True:
            # 在第二个全连接层之后添加一个dropout层
            H2 = dropout_layer(H2, dropout2)
        out = self.lin3(H2)
        return out


net = Net(num_inputs, num_outputs, num_hiddens1, num_hiddens2)

num_epochs, lr, batch_size = 10, 0.5, 256
loss = nn.CrossEntropyLoss(reduction='none')
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
trainer = torch.optim.SGD(net.parameters(), lr=lr)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
d2l.plt.show()

第14课的内容

数值稳定性
将每层的输出和梯度都看做随机变量，让他们的均值和方差保持一致