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 torch
from torch import nn
from d2l import torch as d2l
模型
与softmax回归的简洁实现相比，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。
net = nn.Sequential(nn.Flatten(),nn.Linear(784, 256),nn.ReLU(),nn.Linear(256, 10))def init_weights(m):if type(m) == nn.Linear:nn.init.normal_(m.weight, std=0.01)net.apply(init_weights);
nn.Flatten()是 PyTorch 中 torch.nn 模块里的一个类，它的主要作用是将输入的多维张量进行扁平化处理，也就是把除了第 0 维（通常代表批量大小 batch_size）之外的其余维度合并成一个一维向量
torch.nn.init.normal_(tensor, mean=0.0, std=1.0)
参数说明：
tensor：需要进行初始化的张量，通常是神经网络层的权重（如 m.weight）。
mean：正态分布的均值，默认值为 0.0。
std：正态分布的标准差，默认值为 1.0。
nn.Linear是 PyTorch 中 torch.nn 模块里用于构建全连接层（也称为线性层）的类
[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.CrossEntropyLoss(reduction='none')
trainer = torch.optim.SGD(net.parameters(), lr=lr)
net.parameters() 是一个生成器，它会返回模型中所有需要学习的参数（可训练的张量），包括权重和偏置等
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size)
d2l.train_ch3(net, train_iter, test_iter, loss, num_epochs, trainer)
