Empilhando Camadas Lineares
Da entrada, passando pela camada oculta, até a saída
Empilhando Camadas Lineares é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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. 🎯
Perguntas Frequentes
A aula “Empilhando Camadas Lineares” é grátis?
Sim — o texto completo de “Empilhando Camadas Lineares” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “Empilhando Camadas Lineares”?
Da entrada, passando pela camada oculta, até a saída Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “Empilhando Camadas Lineares”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Herede de nn.Module: __init__ e forward
- Empilhando Camadas Lineares
- nn.Sequential para Modelos Rápidos
- Inspecione Parâmetros e Formas das Camadas