深度学习实践3：多层感知机

 算法流程

1. 首先导入了需要使用的库和模块：

   import torch
   from torch import nn
   from main import load_data_fashion_mnist, train_ch3
   

   这些库和模块包含了构建和训练模型所需的功能。load_data_fashion_mnist, train_ch3两个函数具体可看    深度学习实践2

2. 定义了一个包含两个全连接层的神经网络模型net：

   net = nn.Sequential(nn.Flatten(), nn.Linear(784, 256), nn.ReLU(),
                       nn.Linear(256, 10))
   

   这个模型包含一个将输入展平的Flatten层，一个输入维度为784、输出维度为256的全连接层，一个ReLU激活函数，以及一个输入维度为256、输出维度为10的全连接层。

3. 定义了一个函数init_weights用于初始化模型的权重：

   def init_weights(m):
       if type(m) == nn.Linear:
           nn.init.normal_(m.weight, std=0.01)
   

   这个函数接收一个模块m，如果模块是nn.Linear类型的，则对其权重进行正态分布初始化。

4. 使用apply方法将初始化权重的操作应用到模型net的所有模块上：

   net.apply(init_weights)
   

   这样可以确保模型的权重被正确初始化。

5. 设置了一些训练的超参数：

   batch_size, lr, num_epochs = 256, 0.1, 10
   

   这里设置了批次大小为256，学习率为0.1，迭代周期数为10。

6. 定义了损失函数loss为交叉熵损失：

   loss = nn.CrossEntropyLoss()
   

   这个损失函数用于计算模型预测结果与真实标签之间的交叉熵损失。

7. 定义了优化器trainer为随机梯度下降（SGD）优化器：

   trainer = torch.optim.SGD(net.parameters(), lr=lr)
   

   这个优化器用于更新模型的参数，其中net.parameters()返回模型中所有需要学习的参数。

8. 使用load_data_fashion_mnist函数加载Fashion-MNIST数据集：

   train_iter, test_iter = load_data_fashion_mnist(batch_size)
   

   这里将训练集和测试集的数据加载器分别赋值给train_iter和test_iter。

9. 调用train_ch3函数进行模型训练：

   train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
   

   这里传入模型net、训练数据加载器train_iter、测试数据加载器test_iter、损失函数loss、迭代周期数num_epochs和优化器trainer进行训练。

        结果

        

1 (0.7864819016138712, 0.7459166666666667, 0.7754)
2 (0.5714084996541341, 0.8120833333333334, 0.7976)
3 (0.5254668966929118, 0.82495, 0.8052)
4 (0.501056636873881, 0.8320666666666666, 0.8246)
5 (0.4861722059249878, 0.8368333333333333, 0.8247)
6 (0.4742358523050944, 0.8391666666666666, 0.8264)
7 (0.46462928047180174, 0.84315, 0.8117)
8 (0.4579755872090658, 0.8445166666666667, 0.8314)
9 (0.45267214221954344, 0.8464166666666667, 0.8326)
10 (0.44778603076934814, 0.8480833333333333, 0.8019)