โครงข่ายประสาทเทียมและเลเยอร์

Deep Learning เบื้องต้นด้วย PyTorch

Jasmin Ludolf

Senior Data Science Content Developer, DataCamp

เลเยอร์ของโครงข่ายประสาทเทียม

ไดอะแกรมแสดงโครงข่ายประสาทเทียมที่มีอินพุต เลเยอร์ซ่อน และเอาต์พุต

เลเยอร์ของโครงข่ายประสาทเทียม

ไดอะแกรมแสดงโครงข่ายประสาทเทียมที่มีอินพุต เลเยอร์ซ่อน และเอาต์พุต

เลเยอร์ของโครงข่ายประสาทเทียม

ไดอะแกรมแสดงโครงข่ายประสาทเทียมที่มีอินพุต เลเยอร์ซ่อน และเอาต์พุต

เลเยอร์ของโครงข่ายประสาทเทียม

ไดอะแกรมแสดงโครงข่ายประสาทเทียมที่มีอินพุต เลเยอร์ซ่อน และเอาต์พุต

โครงข่ายประสาทเทียมแรกของเรา

ไดอะแกรมแสดงโครงข่ายประสาทเทียมพื้นฐานที่มีเฉพาะอินพุตและเอาต์พุต

โครงข่ายแบบ fully connected
เทียบเท่ากับโมเดลเชิงเส้น

การออกแบบโครงข่ายประสาทเทียม

โหนด 3 โหนดแทนอินพุตของโครงข่ายประสาทเทียม

# 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]])

นิวรอนอินพุต = ฟีเจอร์
นิวรอนเอาต์พุต = คลาส

การออกแบบโครงข่ายประสาทเทียม

โหนด 3 โหนดแทนอินพุตของโครงข่ายประสาทเทียมพร้อมลูกศรชี้ไปข้างหน้าแทน linear layer

# 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

                         )

การออกแบบโครงข่ายประสาทเทียม

ไดอะแกรมแสดงโครงข่ายประสาทเทียมพื้นฐานที่มีเฉพาะอินพุตและเอาต์พุต

# 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)

การออกแบบโครงข่ายประสาทเทียม

ไดอะแกรมแสดงโครงข่ายประสาทเทียมพื้นฐานที่มีเฉพาะอินพุตและเอาต์พุต

$$ $$ $$

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

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

น้ำหนักและไบแอส

output = linear_layer(input_tensor)

การแสดงผลการดำเนินการเชิงเส้น

น้ำหนักและไบแอส

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

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

สะท้อนความสำคัญของฟีเจอร์ต่าง ๆ

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

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

ให้ค่าเอาต์พุตพื้นฐานแก่นิวรอน

โครงข่ายแบบ fully connected ในทางปฏิบัติ

ไดอะแกรมแสดงโครงข่ายประสาทเทียมพื้นฐานที่มีเฉพาะอินพุตและเอาต์พุต

โครงข่ายแบบ fully connected ในทางปฏิบัติ

ไดอะแกรมแสดงโครงข่ายประสาทเทียมพื้นฐานที่มีเฉพาะอินพุตและเอาต์พุต

โครงข่ายแบบ fully connected ในทางปฏิบัติ

ไดอะแกรมแสดงโครงข่ายประสาทเทียมพื้นฐานที่มีเฉพาะอินพุตและเอาต์พุต

ฟีเจอร์ความชื้นจะมี weight สูงกว่า
Bias ใช้รองรับข้อมูลพื้นฐาน

มาฝึกกันเถอะ!

Deep Learning เบื้องต้นด้วย PyTorch