Lineaire lagen stapelen
Van invoer via verborgen lagen naar uitvoer.
Lineaire lagen stapelen is een gratis Deep Learning Academy-les op CoddyKit. Dit is les 2 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Deep Learning Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Eén laag, één transformatie
Eén laag nn.Linear zet invoer om in uitvoer met een gewogen som plus een bias. De laag verandert de gegevens van de ene grootte naar de andere.
layer = nn.Linear(in_features=4, out_features=8)Van invoer naar verborgen laag
Je eerste laag neemt de ruwe invoerkenmerken en projecteert ze naar een verborgen ruimte, vaak met een grotere of kleinere breedte.
self.fc1 = nn.Linear(4, 16) # 4 inputs -> 16 hiddenVan verborgen laag naar uitvoer
Een latere laag brengt de verborgen kenmerken terug naar de uiteindelijke grootte van de uitvoer, bijvoorbeeld het aantal klassen dat je wilt voorspellen.
self.fc2 = nn.Linear(16, 3) # 16 hidden -> 3 classesGrootten aan elkaar koppelen
De out_features van elke laag moeten gelijk zijn aan de in_features van de volgende laag. Deze overeenkomende dimensies vormen een nette verwerkingsketen.
Voeg tussendoor een niet-lineariteit toe
Losse lineaire lagen blijven samen lineair, dus plaats er een activeringsfunctie zoals ReLU tussen om echte diepte mogelijk te maken.
x = F.relu(self.fc1(x))
x = self.fc2(x)Breedte tegenover diepte
Meer neuronen per laag betekent meer breedte; meer lagen betekent meer diepte. Beide vergroten de capaciteit, maar op verschillende manieren.
De keuze van de verborgen dimensie
De verborgen grootte kiezen is een ontwerpbeslissing. Een grotere waarde leert meer patronen, maar kost geheugen en vergroot het risico op overfitting.
Gegevens stromen van boven naar beneden
Bij de voorwaartse doorgifte gaat de invoer eerst door laag één, daarna door de activatie en vervolgens door laag twee. Elke stap transformeert de tensor op zijn beurt.
def forward(self, x):
x = F.relu(self.fc1(x))
return self.fc2(x)Een MLP met twee lagen
Invoer, verborgen laag en uitvoer met een niet-lineariteit vormen de klassieke meerlagige perceptron. Dit is het werkpaard van feedforward-netwerken.
Parameters groeien mee met het aantal lagen
Elke lineaire laag voegt eigen gewichten en een bias toe. Wanneer je meer lagen stapelt, groeit het aantal parameters van het model gestaag.
Begin klein en breid daarna uit
Begin met één verborgen laag en breid alleen uit als dat nodig is. Een compacte stapel wordt snel getraind en is eenvoudig te debuggen. 🌱
Korte controle
Haal terug wat er tussen twee lineaire lagen moet zitten om stapelen zinvol te maken.
Samenvatting
Stapel nn.Linear-lagen zo dat elke uitvoergrootte de volgende invoergrootte vormt, met daartussen een activatie. Zo bouw je een echte MLP. 🎯
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Lineaire lagen stapelen” gratis?
Ja — de volledige tekst van “Lineaire lagen stapelen” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Deep Learning Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Deep Learning Academy bevat in totaal 4 lessen.
Wat leer ik in “Lineaire lagen stapelen”?
Van invoer via verborgen lagen naar uitvoer. Je oefent met Deep Learning Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Deep Learning Academy te beginnen?
Ervaring vooraf is niet nodig. Deep Learning Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 2 van 4.
Hoe lang duurt de les “Lineaire lagen stapelen”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Deep Learning Academy?
Ja. Elke les over Deep Learning Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- nn.Module subclassen: __init__ en forward
- Lineaire lagen stapelen
- nn.Sequential voor snelle modellen
- Parameters en laagsvormen inspecteren