Stable lineære lag
Fra inndata gjennom skjulte lag til utdata
Stable lineære lag er en gratis leksjon i Deep Learning Academy på CoddyKit. Dette er leksjon 2 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Deep Learning Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Deep Learning Academy inneholder totalt 4 leksjoner.
Ett lag, én transformasjon
Ett enkelt nn.Linear-lag avbilder inndata til utdata med en vektet sum pluss en bias. Det endrer dataene fra én størrelse til en annen.
layer = nn.Linear(in_features=4, out_features=8)Fra inndata til skjult lag
Det første laget tar de rå input-egenskapene og projiserer dem inn i et skjult rom, ofte med større eller mindre bredde.
self.fc1 = nn.Linear(4, 16) # 4 inputs -> 16 hiddenFra skjult lag til utdata
Et senere lag avbilder de skjulte egenskapene til den endelige output-størrelsen, for eksempel antallet klasser De vil predikere.
self.fc2 = nn.Linear(16, 3) # 16 hidden -> 3 classesKoble sammen størrelsene
out_features for hvert lag må være lik in_features for det neste laget. Disse samsvarende dimensjonene danner en ryddig pipeline.
Legg inn en ikke-linearitet
Hvis De stabler rene lineære lag, forblir resultatet lineært. Legg derfor inn en aktiveringsfunksjon som ReLU mellom dem for å få reell dybde.
x = F.relu(self.fc1(x))
x = self.fc2(x)Bredde kontra dybde
Flere nevroner per lag betyr større bredde, mens flere lag betyr større dybde. Begge deler øker kapasiteten på ulike måter.
Valg av skjult dimensjon
Valget av skjult størrelse er en designbeslutning. Større lag lærer flere mønstre, men krever mer minne og øker risikoen for overtilpasning.
Data flyter ovenfra og ned
I forward-passet går inndata gjennom lag én, deretter aktiveringen og så lag to. Hvert trinn transformerer tensoren etter tur.
def forward(self, x):
x = F.relu(self.fc1(x))
return self.fc2(x)En MLP med to lag
Inndata, skjult lag og utdata med en ikke-linearitet er den klassiske flersjiktsperceptronen. Den er arbeidshesten i feedforward-nettverk.
Antallet parametere øker med lagene
Hvert lineært lag legger til sine egne vekter og sin egen bias. Når du stabler flere lag, øker modellens antall parametere jevnt.
Start lite, og bygg ut
Begynn med ett skjult lag, og utvid bare ved behov. En slank stabel trenes raskt og er enkel å feilsøke. 🌱
Rask sjekk
Husk hva som må ligge mellom to lineære lag for at det skal være nyttig å stable dem.
Oppsummering
Stabl nn.Linear-lag slik at hver utgangsstørrelse blir neste lags inngangsstørrelse, med en aktivering mellom dem. Da bygger du en ekte MLP. 🎯
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Stable lineære lag» gratis?
Ja – hele teksten i «Stable lineære lag» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Deep Learning Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Deep Learning Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Stable lineære lag»?
Fra inndata gjennom skjulte lag til utdata Du øver på Deep Learning Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Deep Learning Academy?
Ingen tidligere erfaring er nødvendig. Deep Learning Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 2 av 4.
Hvor lang tid tar leksjonen «Stable lineære lag»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Deep Learning Academy-leksjonen?
Ja. Alle Deep Learning Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Arv fra nn.Module: __init__ og forward
- Stable lineære lag
- nn.Sequential for raske modeller
- Inspiser parametere og lagformer