Linear Layers को जोड़ना
input से hidden होते हुए output तक जाएँ
Linear Layers को जोड़ना, CoddyKit पर Deep Learning Academy का एक निःशुल्क पाठ है। यह 4 में से 2वाँ पाठ है। आप नीचे पूरा पाठ निःशुल्क पढ़ सकते हैं—फिर अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर के साथ ब्राउज़र में इसका व्यावहारिक अभ्यास कर सकते हैं। यह Deep Learning Academy सीखने के मार्ग का हिस्सा है और आपकी प्रगति वेब तथा CoddyKit ऐप पर सिंक होती रहती है। Deep Learning Academy पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
एक परत, एक रूपांतरण
एक अकेली nn.Linear परत भारित योग और bias के माध्यम से इनपुट को आउटपुट में बदलती है। यह डेटा का आकार एक रूप से दूसरे रूप में बदलती है।
layer = nn.Linear(in_features=4, out_features=8)इनपुट से हिडन तक
आपकी पहली परत कच्चे input फीचर लेती है और उन्हें एक हिडन स्पेस में प्रोजेक्ट करती है, जिसकी चौड़ाई अक्सर अधिक या कम होती है।
self.fc1 = nn.Linear(4, 16) # 4 inputs -> 16 hiddenहिडन से आउटपुट तक
बाद की परत हिडन फीचर को आपके अंतिम output आकार में बदलती है, जैसे उन क्लास की संख्या जिनका आप पूर्वानुमान लगाना चाहते हैं।
self.fc2 = nn.Linear(16, 3) # 16 hidden -> 3 classesआकारों को जोड़ना
हर परत का out_features अगली परत के in_features के बराबर होना चाहिए। मेल खाते ये dimensions एक सुव्यवस्थित डेटा-प्रवाह बनाते हैं।
बीच में गैर-रैखिकता जोड़ें
सिर्फ़ रैखिक परतों को क्रम में रखने पर परिणाम रैखिक ही रहता है, इसलिए वास्तविक गहराई पाने के लिए उनके बीच ReLU जैसी activation रखें।
x = F.relu(self.fc1(x))
x = self.fc2(x)चौड़ाई बनाम गहराई
हर परत में अधिक न्यूरॉन होने का अर्थ अधिक width है; अधिक परतों का अर्थ अधिक गहराई है। दोनों अलग-अलग तरीकों से मॉडल की क्षमता बढ़ाते हैं।
हिडन आयाम का चुनाव
hidden size चुनना एक डिज़ाइन संबंधी निर्णय है। बड़ा आकार अधिक पैटर्न सीखता है, लेकिन मेमोरी की लागत बढ़ाता है और overfitting का जोखिम पैदा करता है।
डेटा ऊपर से नीचे की ओर प्रवाहित होता है
forward में इनपुट पहले परत एक, फिर सक्रियण और उसके बाद परत दो से होकर गुजरता है। प्रत्येक चरण बारी-बारी से टेंसर को रूपांतरित करता है।
def forward(self, x):
x = F.relu(self.fc1(x))
return self.fc2(x)दो-परत वाला MLP
सक्रियण-अरेखीयता के साथ इनपुट, हिडन और आउटपुट—यही पारंपरिक बहुपरत परसेप्ट्रॉन है। यह फीडफॉरवर्ड नेटवर्क का मुख्य आधार है।
परतों के साथ पैरामीटर बढ़ते हैं
हर Linear परत अपने भार और बायस जोड़ती है। अधिक परतों को जोड़ने पर मॉडल की पैरामीटर संख्या लगातार बढ़ती जाती है।
छोटे से शुरू करें, फिर बढ़ाएँ
एक हिडन परत से शुरू करें और केवल आवश्यकता होने पर विस्तार करें। छोटा परत-समूह जल्दी प्रशिक्षित होता है और त्रुटि-निवारण करना आसान होता है। 🌱
त्वरित जाँच
याद करें कि दो Linear परतों के बीच क्या होना चाहिए, ताकि परतों को जोड़ना उपयोगी हो।
पुनरावलोकन
nn.Linear परतों को इस तरह जोड़ें कि हर आउटपुट आकार अगली परत के इनपुट आकार में जाए और उनके बीच एक सक्रियण हो। इससे वास्तविक MLP बनता है। 🎯
एआई शिक्षक के साथ Python सीखें — निःशुल्क
अपने ब्राउज़र में वास्तविक कोड लिखें और चलाएँ, चौबीसों घंटे एआई शिक्षक से तुरंत सहायता पाएँ, और वेब या ऐप पर वहीं से शुरू करें जहाँ आपने छोड़ा था।
- पाठ्यक्रम
- 30
- पाठ
- 120
अक्सर पूछे जाने वाले प्रश्न
क्या “Linear Layers को जोड़ना” पाठ निःशुल्क है?
हाँ—“Linear Layers को जोड़ना” का पूरा पाठ यहाँ वेब पर निःशुल्क पढ़ा जा सकता है। इंटरैक्टिव अभ्यास (अंतर्निहित कोड संपादक और 24/7 एआई ट्यूटर) करने और Deep Learning Academy पाठ्यक्रम का बाकी हिस्सा अनलॉक करने के लिए CoddyKit PRO लें। Deep Learning Academy पाठ्यक्रम में कुल 4 पाठ शामिल हैं।
“Linear Layers को जोड़ना” में मैं क्या सीखूँगा?
input से hidden होते हुए output तक जाएँ आप ब्राउज़र में सीधे चलाए जाने वाले व्यावहारिक कोड के साथ Deep Learning Academy का अभ्यास करते हैं, और पाठ पूरा करते समय 24/7 एआई ट्यूटर आपके प्रश्नों के उत्तर देता है।
क्या Deep Learning Academy शुरू करने के लिए मुझे किसी अनुभव की आवश्यकता है?
पहले के अनुभव की आवश्यकता नहीं है। CoddyKit पर Deep Learning Academy शुरुआती से लेकर उन्नत शिक्षार्थियों तक सभी के लिए व्यवस्थित किया गया है, इसलिए आप यहीं से या शुरुआत से सीखना शुरू कर सकते हैं और अपनी गति से आगे बढ़ सकते हैं। यह 4 में से 2वाँ पाठ है।
“Linear Layers को जोड़ना” पाठ पूरा करने में कितना समय लगता है?
CoddyKit का अधिकांश पाठ लगभग 5–10 मिनट में पूरा हो जाता है। हर पाठ छोटा और संवादात्मक है, इसलिए आप लगातार प्रगति करते हैं और वेब या ऐप पर वहीं से सीखना जारी रख सकते हैं जहाँ आपने छोड़ा था।
क्या मैं इस Deep Learning Academy पाठ में कोड लिख और चला सकता हूँ?
हाँ। हर Deep Learning Academy पाठ में एक अंतर्निर्मित कोड संपादक शामिल है, जिससे आप सीधे अपने ब्राउज़र में वास्तविक कोड लिख और चला सकते हैं और तुरंत एआई प्रतिक्रिया पा सकते हैं—स्थानीय सेटअप की आवश्यकता नहीं है।
इस पाठ्यक्रम के सभी पाठ
- nn.Module का Subclass: __init__ और forward
- Linear Layers को जोड़ना
- त्वरित मॉडलों के लिए nn.Sequential
- Parameters और Layer Shapes की जाँच