Verdeckte Schichten und Parameter

Einführung in Deep Learning mit PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Schichten stapeln mit nn.Sequential()

# Create network with three linear layers
model = nn.Sequential(

    nn.Linear(n_features, 8),

    nn.Linear(8, 4),
    nn.Linear(4, n_classes)

)

Der Eingang wird durch die linearen Schichten geleitet
Schichten innerhalb von nn.Sequential() sind verdeckte Schichten

Schichten stapeln mit nn.Sequential()

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(n_features, 8), # n_features represents number of input features
    nn.Linear(8, 4),
    nn.Linear(4, n_classes) # n_classes represents the number of output classes  
)

Der Input wird durch die linearen Schichten geleitet
Ebenen innerhalb von nn.Sequential() sind versteckte Ebenen
n_features und n_classes sind durch den Datensatz definiert

Hinzufügen von Schichten

Darstellung eines neuronalen Netzes mit zwei verdeckten Schichten

Hinzufügen von Schichten

Illustration eines neuronalen Netzes mit vier verdeckten Schichten

Hinzufügen von Schichten

Illustration eines neuronalen Netzes mit vier verdeckten Schichten

Hinzufügen von Schichten

Illustration eines neuronalen Netzes mit vier verdeckten Schichten

Hinzufügen von Schichten

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18),
    nn.Linear(18, 20),
    nn.Linear(20, 5)
)

Hinzufügen von Schichten

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18), # Takes 10 features and outputs 18
    nn.Linear(18, 20),
    nn.Linear(20, 5)
)

Eingang 10 ➡ Ausgang 18 ➡ Ausgang 20 ➡ Ausgang 5

Hinzufügen von Schichten

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18),
    nn.Linear(18, 20), # Takes 18 and outputs 20
    nn.Linear(20, 5)
)

Eingang 10 ➡ Ausgang 18 ➡ Ausgang 20 ➡ Ausgang 5

Hinzufügen von Schichten

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18),
    nn.Linear(18, 20),
    nn.Linear(20, 5) # Takes 20 and outputs 5
)

Eingang 10 ➡ Ausgang 18 ➡ Ausgang 20 ➡ Ausgang 5

Die Schichten bestehen aus Neuronen

Sind vollständig vernetzt, wenn jedes Neuron mit allen Neuronen der vorherigen Schicht verbunden ist

Eine Darstellung einer Eingabe- und Ausgabeschicht mit Pfeilen, die die Schichten verbinden

Die Schichten bestehen aus Neuronen

Sind vollständig vernetzt, wenn jedes Neuron mit allen Neuronen der vorherigen Schicht verbunden ist

Ein Neuron in einer linearen Schicht:

Eine Darstellung einer Eingabe- und Ausgabeschicht mit Pfeilen, die die Schichten verbinden, und einem Kreis um ein Ausgangsneuron

Die Schichten bestehen aus Neuronen

Sind vollständig vernetzt, wenn jedes Neuron mit allen Neuronen der vorherigen Schicht verbunden ist

Ein Neuron in einer linearen Schicht:
- Führt eine lineare Operation mit allen Neuronen aus der vorherigen Schicht durch

Eine Darstellung einer Eingabe- und Ausgabeschicht mit Pfeilen, die die Schichten verbinden, und einem Kreis um ein Ausgangsneuron und hervorgehobenen Pfeilen

Die Schichten bestehen aus Neuronen

Sind vollständig vernetzt, wenn jedes Neuron mit allen Neuronen der vorherigen Schicht verbunden ist

Ein Neuron in einer linearen Schicht:
- Führt eine lineare Operation mit allen Neuronen aus der vorherigen Schicht durch
- Hat N+1 Parameter: N von den Eingängen und 1 für die Verzerrung

N+1