5.3. 多层感知机的简洁实现

本节将介绍通过高级API更简洁地实现多层感知机。

import mlx.core as mx
import mlx.nn as nn
import mlx.optimizers as optim
from d2l import mlx as d2l

5.3.1. 模型

与softmax回归的简洁实现（ 4.7节）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。

class MLP(nn.Module):
    def __init__(self):
        super().__init__()

        self.layers = nn.Sequential(
            nn.Sequential(d2l.Flatten()),
            nn.Linear(784, 256),
            nn.ReLU(),
            nn.Linear(256, 10)
        )

        def init_fn(array):
            if array.ndim > 1:
                array = nn.init.normal(mean=0.0, std=0.01)(array)
            else:
                array = nn.init.constant(0.0)(array)
            return array

        for module in self.modules():
            if isinstance(module, nn.Linear):
                module.apply(init_fn)

    def __call__(self, x):
        return self.layers(x)

net = MLP()
params = net.parameters()

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.losses.cross_entropy
trainer = optim.SGD(learning_rate=lr)

train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer, batch_size, params)

5.3.2. 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。

5.3.3. 练习

1. 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？

2. 尝试不同的激活函数，哪个效果最好？

3. 尝试不同的方案来初始化权重，什么方法效果最好？