Neurale netwerken en lagen

Introductie tot Deep Learning met PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Lagen van neurale netwerken

Een neuraal netwerk met input, verborgen laag en output

Lagen van neurale netwerken

Een neuraal netwerk met input, verborgen laag en output

Lagen van neurale netwerken

Een neuraal netwerk met input, verborgen laag en output

Lagen van neurale netwerken

Een neuraal netwerk met input, verborgen laag en output

Ons eerste neurale netwerk

Een schema van een basisnetwerk met alleen input en output

Volledig verbonden netwerk
Gelijk aan een lineair model

Een neuraal netwerk ontwerpen

Drie knooppunten die de input van een neuraal netwerk voorstellen

# 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]])

Invoerneuronen = features
Uitvoerneuronen = classes

Een neuraal netwerk ontwerpen

Drie knooppunten als input met pijlen vooruit voor de lineaire laag

# 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

                         )

Een neuraal netwerk ontwerpen

Een schema van een basisnetwerk met alleen input en output

# 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)

Een neuraal netwerk ontwerpen

Een schema van een basisnetwerk met alleen input en output

$$ $$ $$

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

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

Gewichten en biases

output = linear_layer(input_tensor)

Weergave van lineaire operatie

Gewichten en biases

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

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

Geeft de belangrijkheid van features weer

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

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

Geeft de neuron een basisuitvoer

Een volledig verbonden netwerk in actie

Een schema van een basisnetwerk met alleen input en output

Een volledig verbonden netwerk in actie

Een schema van een basisnetwerk met alleen input en output

Een volledig verbonden netwerk in actie

Een schema van een basisnetwerk met alleen input en output

De feature luchtvochtigheid krijgt een groter gewicht
Bias vangt basisinformatie op

Laten we oefenen!

Introductie tot Deep Learning met PyTorch