Stapla linjära lager
Från indata via dolda lager till utdata
Stapla linjära lager är en gratis lektion i Deep Learning Academy på CoddyKit. Detta är lektion 2 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Deep Learning Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.
Ett lager, en transformering
Ett enda lager med nn.Linear mappar indata till utdata med en viktad summa plus en bias. Det ändrar data från en storlek till en annan.
layer = nn.Linear(in_features=4, out_features=8)Från indata till dolt lager
Ditt första lager tar de råa indatafunktionerna och projicerar dem till ett dolt utrymme, som ofta är bredare eller smalare.
self.fc1 = nn.Linear(4, 16) # 4 inputs -> 16 hiddenFrån dolt lager till utdata
Ett senare lager mappar de dolda funktionerna till den slutliga storleken på utdata, till exempel antalet klasser du vill förutsäga.
self.fc2 = nn.Linear(16, 3) # 16 hidden -> 3 classesKedja storlekarna
Varje lagers out_features måste vara lika med nästa lagers in_features. Dessa matchande dimensioner bildar en tydlig pipeline.
Lägg till en icke-linjäritet mellan lagren
Om du staplar enbart linjära lager förblir resultatet linjärt. Lägg därför in en aktiveringsfunktion som ReLU mellan dem för att möjliggöra verkligt djup.
x = F.relu(self.fc1(x))
x = self.fc2(x)Bredd kontra djup
Fler neuroner per lager innebär större bredd, medan fler lager innebär större djup. Båda ökar modellens kapacitet på olika sätt.
Valet av dold dimension
Att välja hidden size är ett designbeslut. En större storlek lär sig fler mönster, men kostar minne och ökar risken för överanpassning.
Data flödar uppifrån och ned
I forward-passet går indata genom lager ett, sedan aktiveringen och därefter lager två. Varje steg transformerar tensorn i tur och ordning.
def forward(self, x):
x = F.relu(self.fc1(x))
return self.fc2(x)En MLP med två lager
Indata, dolt lager och utdata med en icke-linjäritet utgör den klassiska flerskiktade perceptronen. Den är arbetshästen i feedforward-nätverk.
Antalet parametrar växer med lagren
Varje linjärt lager lägger till sina egna vikter och sin bias. När fler lager staplas växer modellens antal parametrar stadigt.
Börja litet och bygg sedan ut
Börja med ett dolt lager och bygg bara ut vid behov. En kompakt lagerstack tränas snabbt och är enkel att felsöka. 🌱
Snabb kontroll
Kom ihåg vad som måste finnas mellan två linjära lager för att det ska vara meningsfullt att stapla dem.
Sammanfattning
Stapla nn.Linear-lager så att varje utdatastorlek blir nästa indatastorlek, med en aktivering mellan dem. Då bygger du en riktig MLP. 🎯
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Stapla linjära lager” gratis?
Ja – hela texten till ”Stapla linjära lager” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Deep Learning Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Deep Learning Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Stapla linjära lager”?
Från indata via dolda lager till utdata Ni övar på Deep Learning Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Deep Learning Academy?
Du behöver inga förkunskaper. Utbildningen i Deep Learning Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 2 av 4.
Hur lång tid tar lektionen ”Stapla linjära lager”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Deep Learning Academy-lektionen?
Ja. Varje Deep Learning Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Ärv från nn.Module: __init__ och forward
- Stapla linjära lager
- nn.Sequential för snabba modeller
- Inspektera parametrar och lagerformer