Neurala nätverk och lager

Introduktion till djupinlärning med PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Lager i neurala nätverk

Ett diagram som visar ett neuralt nätverk med ingångs-, dolt lager och utgång

Lager i neurala nätverk

Ett diagram som visar ett neuralt nätverk med ingångs-, dolt lager och utgång

Lager i neurala nätverk

Ett diagram som visar ett neuralt nätverk med ingångs-, dolt lager och utgång

Lager i neurala nätverk

Ett diagram som visar ett neuralt nätverk med ingångs-, dolt lager och utgång

Vårt första neurala nätverk

Ett diagram som visar ett enkelt neuralt nätverk med endast ingång och utgång

Fullt kopplat nätverk
Motsvarar en linjär modell

Designa ett neuralt nätverk

Tre noder som representerar ingången till ett neuralt nätverk

# 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]])

Ingångsneuroner = särdrag
Utgångsneuroner = klasser

Designa ett neuralt nätverk

Tre noder som representerar ingången till ett neuralt nätverk med pilar som pekar framåt och representerar det linjära lagret

# 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

                         )

Designa ett neuralt nätverk

Ett diagram som visar ett enkelt neuralt nätverk med endast ingång och utgång

# 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)

Designa ett neuralt nätverk

Ett diagram som visar ett enkelt neuralt nätverk med endast ingång och utgång

$$ $$ $$

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

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

Vikter och bias

output = linear_layer(input_tensor)

Representation av linjär operation

Vikter och bias

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

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

Speglar hur viktiga olika särdrag är

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

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

Ger neuronen ett grundläggande utgångsvärde

Ett fullt kopplat nätverk i praktiken

Ett diagram som visar ett enkelt neuralt nätverk med endast ingång och utgång

Ett fullt kopplat nätverk i praktiken

Ett diagram som visar ett enkelt neuralt nätverk med endast ingång och utgång

Ett fullt kopplat nätverk i praktiken

Ett diagram som visar ett enkelt neuralt nätverk med endast ingång och utgång

Luftfuktighetssärdragen får en mer betydande vikt
Bias kompenserar för grundläggande basinformation

Nu kör vi en övning!

Introduktion till djupinlärning med PyTorch