本文章来源于对李沐动手深度学习代码以及原理的理解，并且由于李沐老师的代码能力很强，以及视频中讲解代码的部分较少，所以这里将代码进行尽量逐行详细解释
并且由于pytorch的语法有些小伙伴可能并不熟悉，所以我们会采用逐行解释+小实验的方式来给大家解释代码

大家可能对多层感知机这个名字还比较陌生，但是它还有一个让我们比较熟悉的名字全连接神经网络，我们后面还会讲解其他形式的神经网络，如卷积神经网络、循环神经网络等等

导入模块以及数据集

import torch
from torch import nn
from d2l import torch as d2lbatch_size = 256
train_iter,test_iter = d2l.load_data_fashion_mnist(batch_size)

在这里我们仍然fashion_mnist数据集来进行本次的demo

随机初始化参数

# 由于输入的是图片，图片计算机读取的时候是按照像素读取而不是张数
# 所以inputs和outputs和hiddens都会比较大，因为它们是以像素作为基本单元的
# 模型的训练和预测的速率也会比较慢
num_inputs = 784
num_outputs = 10
num_hiddens = 256W1 = nn.Parameter(torch.randn(num_inputs,num_hiddens,requires_grad = True))
b1 = nn.Parameter(torch.zeros(num_hiddens,requires_grad=True))
W2 = nn.Parameter(torch.randn(num_hiddens,num_outputs,requires_grad = True))
b2 = nn.Parameter(torch.zeros(num_outputs,requires_grad=True))
params = [W1,b1,W2,b2]

这里的随机初始化参数在我们前面已经讲解过了，但是我们需要的是注意这些参数的维度，我们可以根据李沐老师的课程，得到多层感知机的一个很重要的讲解图片

小实验/参数的维度

我们就随便用上面初始化的一个参数举例子，我们这里就拿W1进行举例

W1 = nn.Parameter(torch.randn(num_inputs,num_hiddens,requires_grad = True))

W1的维度为(num_inputs × num_hiddens)的一个张量，所以针对于这样初始化维度的一个矩阵，我们后面如果要进行线形层运算的话，根据矩阵运算的性质，我们应该将W1左乘输入X矩阵才可以，即
$$Y=XW+B$$

激活函数

为了让整个模型不是完全线性的模型，我们要引入一个非线性的激活函数，比如Sigmoid函数，但是我们这里采用另一种函数，名字叫做ReLU函数，函数的图像如下：

这个激活函数可以让我们在模型的训练过程中收敛速度加快
tips：其实每个激活函数的作用都相差不大，我们没有很大的必要把它当一个重要的超参数去看待

模型的实现

# 实现模型
def net(X):X = X.reshape((-1,num_inputs))H = relu(X @ W1 + b1)return (H @ W2 + b2)loss = nn.CrossEntropyLoss(reduction='none')

在这个代码里面，我们采用逐行讲解的方式来进行

逐行讲解

X = X.reshape((-1,num_inputs))

首先，为了完成矩阵的乘法，我们需要先把输入的X给reshape为一个二维的矩阵，并且我们一定需要指定的是这个矩阵的第二个维度的参数，因为我们需要把它和一个(num_inputs × num_hiddens)维度的矩阵右乘

H = relu(X @ W1 + b1)

对于初学者而言，可能这一句话有一点难理解，这里我们是将矩阵的结果进行了一次relu函数，这个过程和我们多层感知机的运作过程相关，多层感知机的运作过程李沐老师的课里面有提到过，我这里可以用两个公式来进行概括
$$\begin{gathered} H=XW+B \\ Y=ReLU(H) \end{gathered}$$
利用这两个公式，我们可以看出先利用输入和权重算出X，再利用我们的激活函数来算出输出(也就是下一层的输入)

优化器

num_epochs = 10
lr = 0.1
updater = torch.optim.SGD(params,lr=lr)

在这个代码里面，我们采用了训练轮数为10轮，学习率为0.1，然后优化器我们还是采用前面的随机梯度下降的方法

模型的训练

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