Neuronale Netze und Schichten

Einführung in Deep Learning mit PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Schichten des neuronalen Netzes

Ein Diagramm, das ein neuronales Netz mit Eingabe, versteckter Schicht und Ausgabe darstellt

Schichten des neuronalen Netzes

Ein Diagramm, das ein neuronales Netz mit Eingabe, versteckter Schicht und Ausgabe darstellt

Schichten des neuronalen Netzes

Ein Diagramm, das ein neuronales Netz mit Eingabe, versteckter Schicht und Ausgabe darstellt

Schichten des neuronalen Netzes

Ein Diagramm, das ein neuronales Netz mit Eingabe, versteckter Schicht und Ausgabe darstellt

Dein erstes neuronales Netz

Ein Diagramm, das ein einfaches neuronales Netz mit nur Eingang und Ausgang darstellt

Vollständig vernetztes Netz
Gleichwertig mit einem linearen Modell

Ein neuronales Netzwerk entwerfen

Drei Knoten, die den Eingang in ein neuronales Netz darstellen

# 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]])

Eingangsneuronen = Merkmale
Ausgangsneuronen = Klassen

Ein neuronales Netzwerk entwerfen

Drei Knoten, die den Eingang in ein neuronales Netz darstellen, mit Pfeilen, die nach vorne zeigen, um die lineare Schicht darzustellen

# 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

                         )

Ein neuronales Netzwerk entwerfen

Ein Diagramm, das ein einfaches neuronales Netz mit nur Eingang und Ausgang darstellt

# 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)

Ein neuronales Netzwerk entwerfen

Ein Diagramm, das ein einfaches neuronales Netz mit nur Eingang und Ausgang darstellt

$$ $$ $$

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

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

Gewichte und Verzerrungen

output = linear_layer(input_tensor)

Darstellung einer linearen Operation

Gewichte und Verzerrungen

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

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

Spiegelt die Bedeutung der verschiedenen Merkmale wider

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

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

Versorgt das Neuron mit einer grundlegenden Ausgabe

Ein vollständig vernetztes Netz in Aktion

Ein Diagramm, das ein einfaches neuronales Netz mit nur Eingang und Ausgang darstellt

Ein vollständig vernetztes Netz in Aktion

Ein Diagramm, das ein einfaches neuronales Netz mit nur Eingang und Ausgang darstellt

Ein vollständig vernetztes Netz in Aktion

Ein Diagramm, das ein einfaches neuronales Netz mit nur Eingang und Ausgang darstellt

Das Merkmal Luftfeuchtigkeit hat ein größeres Gewicht
Die Verzerrung dient der Berücksichtigung von Basisinformationen

Probieren wir es aus!

Einführung in Deep Learning mit PyTorch