Redes neuronales y capas

Introducción al aprendizaje profundo con PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Capas de la red neuronal

Diagrama que representa una red neuronal con entrada, capa oculta y salida

Capas de la red neuronal

Diagrama que representa una red neuronal con entrada, capa oculta y salida

Capas de la red neuronal

Diagrama que representa una red neuronal con entrada, capa oculta y salida

Capas de la red neuronal

Diagrama que representa una red neuronal con entrada, capa oculta y salida

Tu primera red neuronal

Diagrama que representa una red neuronal básica con solo entrada y salida

Red totalmente conectada
Equivalente a un modelo lineal

Diseñar una red neuronal

Tres nodos que representan la entrada de una red neuronal

# Importing as nn to avoid writing torch.nn
import torch.nn as nn


# Create input_tensor with three features
input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])

Neuronas de entrada = características
Neuronas de salida = clases

Diseñar una red neuronal

Tres nodos que representan la entrada a una red neuronal con flechas que apuntan hacia delante para representar la capa lineal

# Importing as nn to avoid writing torch.nn
import torch.nn as nn


# Create input_tensor with three features
input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])


# Define our linear layer
linear_layer = nn.Linear(

                         in_features=3,

                         out_features=2

                         )

Diseñar una red neuronal

Diagrama que representa una red neuronal básica con solo entrada y salida

# Importing as nn to avoid writing torch.nn
import torch.nn as nn


# Create input_tensor with three features
input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])


# Define our linear layer
linear_layer = nn.Linear(
                         in_features=3, 
                         out_features=2
                         )


# Pass input through linear layer
output = linear_layer(input_tensor)
print(output)

Diseñar una red neuronal

Diagrama que representa una red neuronal básica con solo entrada y salida

$$ $$ $$

# Pass input through linear layer
output = linear_layer(input_tensor)
print(output)

tensor([[-0.2415, -0.1604]], 
    grad_fn=<AddmmBackward0>)

Pesos y sesgos

output = linear_layer(input_tensor)

Representación de la operación lineal

Pesos y sesgos

.weight
```
print(linear_layer.weight)
```

Parameter containing:
tensor([[-0.4799,  0.4996,  0.1123],
        [-0.0365, -0.1855,  0.0432]], 
        requires_grad=True)

Refleja la importancia de las distintas características

.bias
```
print(linear_layer.bias)
```

Parameter containing:
tensor([0.0310, 0.1537], requires_grad=True)

Proporciona a la neurona una salida de referencia

Una red totalmente conectada en acción

Diagrama que representa una red neuronal básica con solo entrada y salida

Una red totalmente conectada en acción

Diagrama que representa una red neuronal básica con solo entrada y salida

Una red totalmente conectada en acción

Diagrama que representa una red neuronal básica con solo entrada y salida

La función de humedad tendrá un peso más significativo
El sesgo es tener en cuenta la información de partida

¡Vamos a practicar!

Introducción al aprendizaje profundo con PyTorch