Sieci neuronowe i warstwy

Wprowadzenie do uczenia głębokiego z PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Warstwy sieci neuronowej

Diagram przedstawiający sieć neuronową z warstwą wejściową, ukrytą i wyjściową

Warstwy sieci neuronowej

Diagram przedstawiający sieć neuronową z warstwą wejściową, ukrytą i wyjściową

Warstwy sieci neuronowej

Diagram przedstawiający sieć neuronową z warstwą wejściową, ukrytą i wyjściową

Warstwy sieci neuronowej

Diagram przedstawiający sieć neuronową z warstwą wejściową, ukrytą i wyjściową

Nasza pierwsza sieć neuronowa

Diagram przedstawiający podstawową sieć neuronową z warstwą wejściową i wyjściową

Sieć w pełni połączona
Odpowiednik modelu liniowego

Projektowanie sieci neuronowej

Trzy węzły reprezentujące warstwę wejściową sieci neuronowej

# 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]])

Neurony wejściowe = cechy
Neurony wyjściowe = klasy

Projektowanie sieci neuronowej

Trzy węzły reprezentujące warstwę wejściową sieci neuronowej ze strzałkami wskazującymi warstwę liniową

# 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

                         )

Projektowanie sieci neuronowej

Diagram przedstawiający podstawową sieć neuronową z warstwą wejściową i wyjściową

# 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)

Projektowanie sieci neuronowej

Diagram przedstawiający podstawową sieć neuronową z warstwą wejściową i wyjściową

$$ $$ $$

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

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

Wagi i biasy

output = linear_layer(input_tensor)

Reprezentacja operacji liniowej

Wagi i biasy

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

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

Odzwierciedla znaczenie poszczególnych cech

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

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

Zapewnia neuronowi bazowy poziom wyjścia

W pełni połączona sieć w działaniu

Diagram przedstawiający podstawową sieć neuronową z warstwą wejściową i wyjściową

W pełni połączona sieć w działaniu

Diagram przedstawiający podstawową sieć neuronową z warstwą wejściową i wyjściową

W pełni połączona sieć w działaniu

Diagram przedstawiający podstawową sieć neuronową z warstwą wejściową i wyjściową

Cecha wilgotności będzie miała większą wagę
Bias uwzględnia bazowe informacje

Czas na ćwiczenia!

Wprowadzenie do uczenia głębokiego z PyTorch