神经网络与层

使用 PyTorch 的深度学习入门

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

神经网络层

含输入、隐藏层和输出的神经网络示意图

神经网络层

含输入、隐藏层和输出的神经网络示意图

神经网络层

含输入、隐藏层和输出的神经网络示意图

神经网络层

含输入、隐藏层和输出的神经网络示意图

我们的第一个神经网络

仅含输入和输出的基础神经网络示意图

全连接网络
等价于线性模型

设计神经网络

表示神经网络输入的三个节点

# 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]])

输入神经元 = 特征
输出神经元 = 类别

设计神经网络

三个输入节点，带向前箭头表示线性层

# 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

                         )

设计神经网络

仅含输入和输出的基础神经网络示意图

# 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)

设计神经网络

仅含输入和输出的基础神经网络示意图

$$ $$ $$

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

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

权重与偏置

output = linear_layer(input_tensor)

线性运算示意

权重与偏置

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

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

反映各特征的重要性

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

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

为神经元提供基线输出

全连接网络实战

仅含输入和输出的基础神经网络示意图

全连接网络实战

仅含输入和输出的基础神经网络示意图

全连接网络实战

仅含输入和输出的基础神经网络示意图

湿度特征的权重更大
偏置用于体现基线信息

Ayo berlatih!

使用 PyTorch 的深度学习入门