# 多层感知机的简洁实现

🏷 sec_mlp_concise

本节将介绍 (通过高级 API 更简洁地实现多层感知机)。

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

# 模型

与 softmax 回归的简洁实现（ :numref: sec_softmax_concise ）相比，
唯一的区别是我们添加了 2 个全连接层（之前我们只添加了 1 个全连接层）。
第一层是 [隐藏层]，它 (包含 256 个隐藏单元，并使用了 ReLU 激活函数)。
第二层是输出层。

	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);

[训练过程] 的实现与我们实现 softmax 回归时完全相同，
这种模块化设计使我们能够将与模型架构有关的内容独立出来。

	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)

svg

# 小结

我们可以使用高级 API 更简洁地实现多层感知机。
对于相同的分类问题，多层感知机的实现与 softmax 回归的实现相同，只是多层感知机的实现里增加了带有激活函数的隐藏层。

# 练习

尝试添加不同数量的隐藏层（也可以修改学习率），怎么样设置效果最好？
尝试不同的激活函数，哪个效果最好？
尝试不同的方案来初始化权重，什么方法效果最好？

Discussions

chapter_multilayer-perceptrons

# 多层感知机的简洁实现

# 模型

# 小结

# 练习

mlp-scratch

mlp