这里写自定义目录标题

• 代码
• 2. 结果
• 3. 模块备注
• • 3.1 nn.Flatten()
  • 3.2 nn.Linear()
  • 3.3 nn.ReLU()
  • 3.4 nn.init.normal_()

代码

import torch  # 导入 torch 模块
from torch import nn  # 导入nn模块，很重要
from d2l import torch as d2l # 为了后续画图，报错请运行此代码(!pip install -U d2l)

net = nn.Sequential(
		   nn.Flatten(),# 展平一个连续范围的维度，输出类型为Tensor
		   nn.Linear(784,256), # 全连接层，相当于 Y = aX + b ;输入 维度 784 输出 维度 256
		   nn.ReLU(), # 激活函数 ReLU
		   nn.Linear(256,10))# 全连接层，相当于 Y = aX + b ;输入 维度 256 输出 维度 10

def init_weights(m): # 初始化 每个全连接层的权重 weight
	if type(m) == nn.linear: # 判断是否为连接层
		nn.init.normal_(m.weight,std=0.01)# 从正态分布N~(0,0.01)中随机抽取填充 m.weight

net.apply(net.weight)	# 网络层 初始化 网络权重

batch_size,lr,num_epochs = 256,0.1,10 # 设置大小，学习率，迭代次数

loss = nn.CrossEntropyLoss() # 设置 损失函数为交叉熵损失函数

trainer = torch.optim.SGD(net.parameters(),lr=lr)# 实例化优化器->随机梯度下降SGD

train_iter,test_iter = d2l.load_data_fishion_mnist(batch_size) # 读取数据并将图片转换成数据集dataloader

d2l.train_ch3(net,train_iter,test_iter,loss,num_epochs,trainer) # 训练数据，并可视化数据

2. 结果

3. 模块备注

3.1 nn.Flatten()

3.2 nn.Linear()

3.3 nn.ReLU()

3.4 nn.init.normal_()