Dolda lager och parametrar

Introduktion till djupinlärning med PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

Stapla lager med nn.Sequential()

# Create network with three linear layers
model = nn.Sequential(

    nn.Linear(n_features, 8),

    nn.Linear(8, 4),
    nn.Linear(4, n_classes)

)

Indata skickas genom de linjära lagren
Lager inom nn.Sequential() är dolda lager

Stapla lager med nn.Sequential()

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(n_features, 8), # n_features represents number of input features
    nn.Linear(8, 4),
    nn.Linear(4, n_classes) # n_classes represents the number of output classes  
)

Indata skickas genom de linjära lagren
Lager inom nn.Sequential() är dolda lager
n_features och n_classes definieras av datamängden

Lägga till lager

Illustration av ett neuralt nätverk med två dolda lager

Lägga till lager

Illustration av ett neuralt nätverk med fyra dolda lager

Lägga till lager

Illustration av ett neuralt nätverk med fyra dolda lager

Lägga till lager

Illustration av ett neuralt nätverk med fyra dolda lager

Lägga till lager

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18),
    nn.Linear(18, 20),
    nn.Linear(20, 5)
)

Lägga till lager

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18), # Takes 10 features and outputs 18
    nn.Linear(18, 20),
    nn.Linear(20, 5)
)

Indata 10 ➡ utdata 18 ➡ utdata 20 ➡ Utdata 5

Lägga till lager

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18),
    nn.Linear(18, 20), # Takes 18 and outputs 20
    nn.Linear(20, 5)
)

Indata 10 ➡ utdata 18 ➡ utdata 20 ➡ Utdata 5

Lägga till lager

# Create network with three linear layers
model = nn.Sequential(
    nn.Linear(10, 18),
    nn.Linear(18, 20),
    nn.Linear(20, 5) # Takes 20 and outputs 5
)

Indata 10 ➡ utdata 18 ➡ utdata 20 ➡ Utdata 5

Lager består av neuroner

Fullständigt kopplat när varje neuron kopplas till alla neuroner i föregående lager

Illustration av ett in- och utdatalager med pilar som kopplar samman lagren

Lager består av neuroner

Fullständigt kopplat när varje neuron kopplas till alla neuroner i föregående lager

En neuron i ett linjärt lager:

Illustration av ett in- och utdatalager med pilar som kopplar samman lagren och en cirkel runt en utdataneuron

Lager består av neuroner

Fullständigt kopplat när varje neuron kopplas till alla neuroner i föregående lager

En neuron i ett linjärt lager:
- Utför en linjär operation med alla neuroner från föregående lager

Illustration av ett in- och utdatalager med pilar som kopplar samman lagren, en cirkel runt en utdataneuron och markerade pilar

Lager består av neuroner

Fullständigt kopplat när varje neuron kopplas till alla neuroner i föregående lager

En neuron i ett linjärt lager:
- Utför en linjär operation med alla neuroner från föregående lager
- Har N+1 parametrar: N från indata och 1 för bias

N+1