Empiler des couches linéaires
De l’entrée à la couche cachée, puis à la sortie.
Empiler des couches linéaires est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
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. 🎯
Questions Fréquemment Posées
La leçon « Empiler des couches linéaires » est-elle gratuite ?
Oui — le texte complet de « Empiler des couches linéaires » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Empiler des couches linéaires » ?
De l’entrée à la couche cachée, puis à la sortie. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Empiler des couches linéaires » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- Sous-classer nn.Module : __init__ et forward
- Empiler des couches linéaires
- nn.Sequential pour créer rapidement des modèles
- Inspecter les paramètres et les formes des couches