Github
论文mlp
这是一个非常令人兴奋的模块，因为我们将许多内容整合在一起，并训练了一个多层感知器（MLP）作为n-gram语言模型，遵循Bengio等人2003年的论文《神经概率语言模型》。
我们有多个并行实现，它们都能得到完全相同的结果，但实现方式截然不同：
- C版本，完整地列出了所有单独的操作。
- numpy版本，增加了数组抽象。操作现在被分组为作用于数组的函数，但前向和后向传播仍需手动完成。
- PyTorch版本，增加了自动微分引擎。PyTorch的Tensor对象看起来就像numpy中的数组，但在底层，PyTorch会像我们在micrograd中看到的那样跟踪计算图。用户指定前向传播，然后当他们对损失调用
backward()时，PyTorch会计算梯度。
PyTorch提供的主要服务变得清晰可见：
- 它提供了一个高效的
Array对象，就像numpy那样，只不过PyTorch称之为Tensor，而且一些API（莫名其妙地）有些不同。本模块未涉及的是，PyTorch Tensor可以移动到不同的设备（如GPU），大大加快所有计算。 - 它提供了一个自动微分引擎，记录Tensor的计算图，并为你计算梯度。
- 它提供了
nn库，将Tensor操作组打包成预构建的层和损失函数，这些在深度学习中很常见。
通过我们的努力，我们将获得比在ngram模块中看到的更低的验证损失，而且参数明显更少。然而，我们在训练时也付出了更高的计算成本（我们基本上是将数据集压缩到模型参数中），在推理时也在某种程度上如此。
待办事项：
- 调整超参数，使其不那么糟糕，我只是随意设置的。（目前看到验证损失为2.06，回想基于计数的4-gram为2.11）
- 合并C版本，使三个主要版本（C、numpy、PyTorch）保持一致
- 为本模块制作精美的图表
许可证
MIT
