理解g-benton/loss-surface-simplexes项目中的基础MLP模型实现

本文主要分析g-benton/loss-surface-simplexes项目中basic_mlps.py文件实现的基础多层感知机(MLP)模型及其在单纯形空间中的变体实现。

基础MLP网络结构

BasicNet类实现了一个标准的全连接神经网络，具有以下特点：

1. 网络架构：包含8个全连接层(fc1-fc8)，其中前7层为隐藏层，最后一层为输出层

2. 参数配置：

   • 输入维度in_dim默认为2
   • 隐藏层大小hidden_size默认为10
   • 输出维度out_dim需要显式指定
   • 激活函数默认为ReLU
   • 每层都包含偏置项(bias=True)

3. 前向传播：每层线性变换后都接激活函数，最后一层不接激活函数(适用于回归任务或后续接softmax等)

class BasicNet(nn.Module):
    def __init__(self, out_dim, in_dim=2, hidden_size=10,
                activation=torch.nn.ReLU(), bias=True):
        super(BasicNet, self).__init__()
        # 初始化8个全连接层
        ...
        
    def forward(self, x):
        # 标准的前向传播流程
        ...

单纯形空间MLP变体

BasicSimplex类实现了在单纯形空间中的MLP变体，与BasicNet的主要区别在于：

1. 使用SimplexLinear层：替代标准的nn.Linear，这些层接收额外的fix_points和coeffs_t参数
2. 单纯形参数化：网络权重被参数化为单纯形顶点(fix_points)的凸组合
3. 动态权重计算：前向传播时通过coeffs_t参数动态计算权重

class BasicSimplex(nn.Module):
    def __init__(self, out_dim, fix_points, in_dim=2, hidden_size=10,
                activation=torch.nn.ReLU(), bias=True):
        super(BasicSimplex, self).__init__()
        # 初始化8个SimplexLinear层
        ...
        
    def forward(self, x, coeffs_t):
        # 包含单纯形系数coeffs_t的前向传播
        ...

技术细节解析

1. 单纯形网络的数学原理：

   • 传统网络的权重矩阵W被表示为W = Σ c_i V_i
   • 其中V_i是固定顶点(fix_points)，c_i是凸组合系数(coeffs_t)
   • 这种表示允许在固定顶点构成的凸包内探索不同权重配置

2. 实现特点：

   • 网络结构深度相同(8层)，便于比较
   • 保持相同的激活函数和偏置配置
   • 单纯形版本需要额外的初始化参数fix_points

3. 应用场景：

   • 研究损失曲面在不同权重配置下的行为
   • 探索模型在参数空间中的优化路径
   • 分析神经网络在凸组合下的表现特性

使用建议

1. 对于标准任务，使用BasicNet即可
2. 当需要研究损失曲面或参数空间特性时，使用BasicSimplex
3. 可以通过调整hidden_size控制模型容量
4. 修改activation参数可以探索不同非线性特性的影响

这两个基础MLP实现为研究神经网络在标准空间和单纯形空间中的行为提供了简单但灵活的实验平台。