在线做试卷的网站,装潢设计学校,大型做网站的公司,七牛镜像存储wordpress1.生成一个网络#xff0c;其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层#xff0c;然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。
import torch
from torch import nn
from torch.nn import functional as Fnet nn.Sequential(nn.Linear(20, 256)…1.生成一个网络其中包含一个具有256个单元和ReLU激活函数的全连接隐藏层然后是一个具有10个隐藏单元且不带激活函数的全连接输出层。
import torch
from torch import nn
from torch.nn import functional as Fnet nn.Sequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))X torch.rand(2, 20)
net(X) 2.从零开始编写一个块。它包含一个多层感知机具有256个隐藏单元的隐藏层和一个10维输出层。
class MLP(nn.Module):def __init__(self):super().__init__()self.hidden nn.Linear(20, 256)self.out nn.Linear(256, 10)def forward(self, X):return self.out(F.relu(self.hidden(X))) 3.实例化多层感知机的层在每次调用前向传播函数时调用这些层
net MLP()
net(X) 4. 使用MySequential类重新实现多层感知机
class MySequential(nn.Module):def __init__(self, *args):super().__init__()for idx, module in enumerate(args):self._modules[str(idx)] moduledef forward(self, X):for block in self._modules.values():X block(X)return Xnet MySequential(nn.Linear(20, 256), nn.ReLU(), nn.Linear(256, 10))
net(X) 5.在前向传播函数中执行Python的控制流
class FixedHiddenMLP(nn.Module):def __init__(self):super().__init__()self.rand_weight torch.rand((20, 20), requires_gradFalse)self.linear nn.Linear(20, 20)def forward(self, X):X self.linear(X)X F.relu(torch.mm(X, self.rand_weight) 1)X self.linear(X)while X.abs().sum() 1:X / 2return X.sum() 6.混合搭配各种组合块
class NestMLP(nn.Module):def __init__(self):super().__init__()self.net nn.Sequential(nn.Linear(20, 64), nn.ReLU(),nn.Linear(64, 32), nn.ReLU())self.linear nn.Linear(32, 16)def forward(self, X):return self.linear(self.net(X))chimera nn.Sequential(NestMLP(), nn.Linear(16, 20), FixedHiddenMLP())
chimera(X)
