Red de capas lineales

Las redes neuronales suelen contener muchas capas, pero la mayoría son capas lineales. Comprender una sola capa lineal te ayuda a entender cómo funcionan antes de añadirles complejidad. En este ejercicio, aplicarás una capa lineal a un tensor de entrada y observarás la salida.

torch.nn (nn), y torch ya están importados para ti.

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo con PyTorch

Instrucciones de ejercicio

Crea una capa lineal que tome 3 características como entrada y devuelva 2 salidas.
Pasa input_tensor por la capa lineal.

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

input_tensor = torch.tensor(
    [[0.3471, 0.4547, -0.2356]])

# Create a linear layer
linear_layer = nn.____(
                         in_features=____, 
                         out_features=____
                         )

# Pass input_tensor through linear layer
output = ____
print(output)

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción al aprendizaje profundo con PyTorch

IntermedioNivel de habilidad

4.8+

Comienza el curso gratis

Coches que se conducen solos, smartphones, motores de búsqueda... El aprendizaje profundo está ahora en todas partes. Antes de empezar a construir modelos complejos, se familiarizará con PyTorch, un marco de aprendizaje profundo. Aprenderás a manipular tensores, a crear estructuras de datos en PyTorch y a construir tu primera red neuronal en PyTorch con capas lineales.

Exercise 1: Introducción al aprendizaje profundo con PyTorch Exercise 2: Introducción a los tensores de PyTorch Exercise 3: Comprobar y sumar tensores Exercise 4: Redes neuronales y capas Exercise 5: Red de capas lineales

Ejercicio actual

Exercise 6: Comprender los pesos Exercise 7: Capas ocultas y parámetros Exercise 8: ¡Activa tu comprensión!Exercise 9: Apilamiento de capas lineales Exercise 10: Contar el número de parámetros

Para entrenar una red neuronal en PyTorch, primero tendrás que entender componentes adicionales, como las funciones de activación y pérdida. Entonces te darás cuenta de que entrenar una red requiere minimizar esa función de pérdida, lo que se hace calculando gradientes. Aprenderás a utilizar estos gradientes para actualizar los parámetros de tu modelo.

Exercise 1: Descubrir las funciones de activación Exercise 2: ¡Active su comprensión!Exercise 3: Las funciones sigmoidea y softmax Exercise 4: Ejecutar un pase hacia delante Exercise 5: Creación de un clasificador binario en PyTorch Exercise 6: De la regresión a la clasificación multiclase Exercise 7: Uso de funciones de pérdida para evaluar las predicciones de los modelos Exercise 8: Creación de etiquetas codificadas en un solo paso Exercise 9: Cálculo de la pérdida de entropía cruzada Exercise 10: Uso de derivadas para actualizar los parámetros del modelo Exercise 11: Acceso a los parámetros del modelo Exercise 12: Actualización manual de los pesos Exercise 13: Uso del optimizador PyTorch

Ahora que has aprendido los componentes clave de una red neuronal, entrenarás una utilizando un bucle de entrenamiento. Explorarás posibles problemas, como la desaparición de gradientes, y aprenderás estrategias para resolverlos, como funciones de activación alternativas y el ajuste de la velocidad y el impulso de aprendizaje.

Exercise 1: Una inmersión más profunda en la carga de datos Exercise 2: Utilizar TensorDataset Exercise 3: Uso de DataLoader Exercise 4: Escribir nuestro primer bucle de entrenamiento Exercise 5: Utilizar el MSELoss Exercise 6: Escribir un bucle de entrenamiento Exercise 7: Funciones de activación ReLU Exercise 8: Implantación de ReLU Exercise 9: Aplicación de ReLU con fugas Exercise 10: Comprender las funciones de activación Exercise 11: Ritmo de aprendizaje e impulso Exercise 12: Experimentar con el ritmo de aprendizaje Exercise 13: Experimentar con el impulso

Entrenar un modelo de aprendizaje profundo es un arte, y para asegurarnos de que nuestro modelo está entrenado correctamente, necesitamos hacer un seguimiento de ciertas métricas durante el entrenamiento, como la pérdida o la precisión. Aprenderemos a calcular estas métricas y a reducir el sobreajuste.

Exercise 1: Inicialización de capas y aprendizaje por transferencia Exercise 2: Puesta a punto Exercise 3: Congelar capas de un modelo Exercise 4: Inicialización de capas Exercise 5: Evaluación del rendimiento de los modelos Exercise 6: Escribir el bucle de evaluación Exercise 7: Cálculo de la precisión mediante torchmetrics Exercise 8: Lucha contra el sobreajuste Exercise 9: Experimentar con el abandono Exercise 10: Comprender el sobreajuste Exercise 11: Mejorar el rendimiento de los modelos Exercise 12: Aplicación de la búsqueda aleatoria Exercise 13: Vídeo de recapitulación