Apilar capas lineales
De la entrada, pasando por las capas ocultas, hasta la salida
Apilar capas lineales es una lección gratuita de Deep Learning Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Deep Learning Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Deep Learning Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
One Layer, One Transform
A single nn.Linear layer maps inputs to outputs with a weighted sum plus a bias. It reshapes data from one size to another.
layer = nn.Linear(in_features=4, out_features=8)Input to Hidden
Your first layer takes the raw input features and projects them into a hidden space, often a larger or smaller width.
self.fc1 = nn.Linear(4, 16) # 4 inputs -> 16 hiddenHidden to Output
A later layer maps the hidden features down to your final output size, like the number of classes you want to predict.
self.fc2 = nn.Linear(16, 3) # 16 hidden -> 3 classesChaining Sizes
Each layer's out_features must equal the next layer's in_features. These matching dimensions form a clean pipeline.
Add a Nonlinearity Between
Stacking bare linear layers stays linear, so place an activation like ReLU between them to unlock real depth.
x = F.relu(self.fc1(x))
x = self.fc2(x)Width Versus Depth
More neurons per layer means more width; more layers means more depth. Both add capacity in different ways.
The Hidden Dimension Choice
Picking the hidden size is a design call. Bigger learns more patterns but costs memory and risks overfitting.
Data Flows Top to Bottom
In forward, the input passes through layer one, then the activation, then layer two. Each step transforms the tensor in turn.
def forward(self, x):
x = F.relu(self.fc1(x))
return self.fc2(x)A Two-Layer MLP
Input, hidden, output with a nonlinearity is the classic multilayer perceptron. It is the workhorse of feedforward nets.
Parameters Grow With Layers
Every linear layer adds its own weights and bias. Stacking more layers steadily grows the model's parameter count.
Start Small, Then Grow
Begin with one hidden layer and expand only if needed. A lean stack trains fast and is easy to debug. 🌱
Quick Check
Recall what must sit between two linear layers to make stacking worthwhile.
Recap
Stack nn.Linear layers so each output size feeds the next input size, with an activation between them. That builds a real MLP. 🎯
Preguntas frecuentes
¿La lección «Apilar capas lineales» es gratis?
Sí — el texto completo de «Apilar capas lineales» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Deep Learning Academy, actualiza a CoddyKit PRO. El curso de Deep Learning Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Apilar capas lineales»?
De la entrada, pasando por las capas ocultas, hasta la salida Practicas Deep Learning Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Deep Learning Academy?
No se requiere experiencia previa. Deep Learning Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Apilar capas lineales»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Deep Learning Academy?
Sí. Cada lección de Deep Learning Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Herede de nn.Module: __init__ y forward
- Apilar capas lineales
- nn.Sequential para crear modelos rápidamente
- Inspeccionar parámetros y formas de las capas