前面两节讲了最基本的机器学习算法，线性回归和logistic回归，这一节将介绍传统机器学习里面最后一个算法-神经网络，这也是深度学习的基石，所谓的深度学习，也可以理解为很深层的神经网络。说起这里，有一个小段子，神经网络曾经被打入了冷宫，因为SVM派的崛起，SVM不了解的同学可以去google一下，中文叫支持向量机，因为其有着完备的数学解释，并且之前神经网络运算复杂等问题，导致神经网络停步不前，这个时候任何以神经网络为题目的论文都发不出去，反向传播算法的鼻祖hinton为了解决这个问题，于是就想到了用深度学习为题目。
段子说完，接下来开始我们的简单神经网络。
Neural Network
其实简单的神经网络说起来很简单，先放图为敬
通过图片就能很简答的看出来，其实每一层网络所做的就是 y=W×X+b，只不过W的维数由X和输出维书决定，比如X是10维向量，想要输出的维数，也就是中间层的神经元个数为20，那么W的维数就是20×10，b的维数就是20×1，这样输出的y的维数就为20。
中间层的维数可以自己设计，而最后一层输出的维数就是你的分类数目，比如我们等会儿要做的MNIST数据集是10个数字的分类，那么最后输出层的神经元就为10。
Code
有了前面两节的经验，这一节的代码就很简单了，数据的导入和之前一样
定义模型
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 | class Neuralnetwork(nn.Module): def __init__(self, in_dim, n_hidden_1, n_hidden_2, out_dim): super(Neuralnetwork, self).__init__() self.layer1 = nn.Linear(in_dim, n_hidden_1) self.layer2 = nn.Linear(n_hidden_1, n_hidden_2) self.layer3 = nn.Linear(n_hidden_2, out_dim) def forward(self, x): x = self.layer1(x) x = self.layer2(x) x = self.layer3(x) return x model = Neuralnetwork(28*28, 300, 100, 10) if torch.cuda.is_available(): model = model.cuda() criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=learning_rate) |
上面定义了三层神经网络，输入是28×28，因为图片大小是28×28，中间两个隐藏层大小分别是300和100，最后是个10分类问题，所以输出层为10.
训练过程与之前完全一样，我就不再重复了，可以直接去github参看完整的代码
这是50次之后的输出结果，可以和上一节logistic回归比较一下
可以发现准确率大大提高，其实logistic回归可以看成简单的一层网络，从这里我们就可以看出为什么多层网络比单层网络的效果要好，这也是为什么深度学习要叫深度的原因。
下一节我们将正式进入到深度学习，第一个模型将是计算机视觉领域的王牌模型，卷积神经网络。
本文代码已经上传到了github上。
文章来源：知乎专栏
本站微信群、QQ群(三群号 726282629)：
