Sinir ağları ve katmanlar

PyTorch ile Deep Learning'e Giriş

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Sinir ağı katmanları

Girdi, gizli katman ve çıktısı olan bir sinir ağını gösteren diyagram

Sinir ağı katmanları

Girdi, gizli katman ve çıktısı olan bir sinir ağını gösteren diyagram

Sinir ağı katmanları

Girdi, gizli katman ve çıktısı olan bir sinir ağını gösteren diyagram

Sinir ağı katmanları

Girdi, gizli katman ve çıktısı olan bir sinir ağını gösteren diyagram

İlk sinir ağımız

Yalnızca girdi ve çıktısı olan basit bir sinir ağını gösteren diyagram

Tam bağlı ağ
Doğrusal modele eşdeğer

Bir sinir ağı tasarlama

Bir sinir ağına girişi temsil eden üç düğüm

# 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]])

Girdi nöronları = özellikler
Çıktı nöronları = sınıflar

Bir sinir ağı tasarlama

Doğrusal katmanı temsil eden ileri oklarla sinir ağına girişi gösteren üç düğüm

# 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

                         )

Bir sinir ağı tasarlama

Yalnızca girdi ve çıktısı olan basit bir sinir ağını gösteren diyagram

# 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)

Bir sinir ağı tasarlama

Yalnızca girdi ve çıktısı olan basit bir sinir ağını gösteren diyagram

$$ $$ $$

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

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

Ağırlıklar ve biaslar

output = linear_layer(input_tensor)

Doğrusal işlem gösterimi

Ağırlıklar ve biaslar

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

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

Farklı özelliklerin önemini yansıtır

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

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

Nörona temel bir çıktı (başlangıç değeri) sağlar

Tam bağlı bir ağ iş başında

Yalnızca girdi ve çıktısı olan basit bir sinir ağını gösteren diyagram

Tam bağlı bir ağ iş başında

Yalnızca girdi ve çıktısı olan basit bir sinir ağını gösteren diyagram

Tam bağlı bir ağ iş başında

Yalnızca girdi ve çıktısı olan basit bir sinir ağını gösteren diyagram

Nem özelliğinin ağırlığı daha yüksek olacaktır
Bias, temel/baz bilgiler için kullanılır

Hadi pratik yapalım!

PyTorch ile Deep Learning'e Giriş