Class10代码实现

Class10代码实现

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

# 定义丢弃法函数
# X:输入张量
# dropout:丢弃概率(0~1)
def dropout_layer(X,dropout):
    # 丢弃概率在0-1之间
    assert 0 <= dropout <= 1
    # 全部丢弃
    if dropout == 1:
        # 返回全0张量
        return torch.zeros_like(X)
    # 全部保留
    if dropout == 0:
        # 返回原始值
        return X
    # 生成一个掩码张量mask，保留的地方为1，丢弃的为0
    # torch.rand(X.shape):生成一个与X形状相同的均匀分布随机数张量
    # > dropout:对每个位置判断是否保留
    # float():将布尔类型转换为浮点类型
    mask = (torch.rand(X.shape) > dropout).float()
    # 使用掩码，并进行缩放
    # mask * X:丢弃一部分特征
    # / (1.0 - dropout):保持期望值不变，对保留下来的值进行放大
    return mask * X / (1.0 - dropout)

# 定义X为0-15共16为浮点数，形状为[2,8]的数组
X = torch.arange(16,dtype = torch.float32).reshape((2,8))
# 直接打印X
print(X)
# 丢弃率为0
print(dropout_layer(X,0.))
# 丢弃率为0.5
print(dropout_layer(X,0.5))
# 丢弃率为1
print(dropout_layer(X,1.))

# 输入为28*28，输出为10类，第1、2个隐藏层256个神经元
num_inputs,num_outputs,num_hiddens1,num_hiddens2 = 784,10,256,256
# 第1个隐藏层丢弃率为0.2，第2个为0.5
dropout1,dropout2 = 0.2,0.5

# 自定义神经网络类
class Net(nn.Module):
    # 传入参数控制输入维度、输出维度、两个隐藏神经元个数和训练状态
    def __init__(self,num_inputs,num_outputs,num_hiddens1,num_hiddens2,is_training = True):
        # 调用初始化父类nn.Module
        super(Net,self).__init__()
        self.num_inputs = num_inputs
        self.training = is_training
        # 输入->第1隐藏层
        self.lin1 = nn.Linear(num_inputs,num_hiddens1)
        # 第1隐藏层->第2隐藏层
        self.lin2 = nn.Linear(num_hiddens1,num_hiddens2)
        # 第2隐藏层->输出层(10类)
        self.lin3 = nn.Linear(num_hiddens2,num_outputs)
        # ReLU激活函数
        self.relu = nn.ReLU()
    
    # 定义前向传播函数
    def forward(self,X):
        #将输入X改为2维，然后通过线性层lin1->ReLU激活，得到第1隐藏层的输出H1
        H1 = self.relu(self.lin1(X.reshape((-1,self.num_inputs))))
        # 判断如果是训练模式
        if self.training == True:
            # H1进行丢弃
            H1 = dropout_layer(H1,dropout1)
        # H1传入第2个线性层lin2,使用ReLU得到第2隐藏层输出H2
        H2 = self.relu(self.lin2(H1))
        # 判断如果是训练模式
        if self.training == True:
            # H2进行丢弃
            H2 = dropout_layer(H2,dropout2)
        # 第2隐藏层输出H2，传入线性层lin3，返回原始logits
        out = self.lin3(H2)
        return out
# 创建网络实例
net = Net(num_inputs,num_outputs,num_hiddens1,num_hiddens2)

# 设置训练轮数，学习率，批次大小
num_epochs,lr,batch_size = 10,0.5,256
# 定义损失函数，并保留每个样本损失
loss = nn.CrossEntropyLoss(reduction='none')
# 加载训练集和测试集
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)
# 设置SGD随机梯度下降优化器
trainer = torch.optim.SGD(net.parameters(),lr=lr)
# 调用训练主函数
d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer)