正如您所料，通过依赖高级 API，我们可以更简洁地实现 MLP。
import torch
from torch import nn
from d2l import torch as d2l
4.3.1 模型
与我们简洁的 softmax 回归实现（第 3.7 节）相比，唯一的区别是我们添加了两个全连接层（之前，我们添加了一个）。第一个是我们的隐藏层，它包含 256 个隐藏单元并应用 ReLU 激活函数。第二个是我们的输出层。
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);
训练循环与我们实现 softmax 回归时完全相同。这种模块化使我们能够将有关模型架构的问题与正交考虑分开。
batch_size, lr, num_epochs = 256, 0.1, 10
loss = nn.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
4.3.2. 概括
-
使用高级 API，我们可以更简洁地实现 MLP。
-
对于相同的分类问题，MLP 的实现与 softmax 回归的实现相同，只是增加了带有激活函数的隐藏层。
4.3.3. 练习
-
- 尝试添加不同数量的隐藏层（您也可以修改学习率）。什么设置效果最好？
-
- 尝试不同的激活函数。哪一个效果最好？
-
- 尝试不同的方案来初始化权重。什么方法效果最好？
参考
https://d2l.ai/chapter_multilayer-perceptrons/mlp-concise.html