Κοινή χρήση τεχνολογίας

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

1: Νευρωνικό δίκτυο (χειριστής)

Χειριστής: συνήθως αναφέρεται στις βασικές μαθηματικές πράξεις που χρησιμοποιούνται στο επίπεδο νευρωνικού δικτύου.

1> Γραμμικό στρώμα (Πλήρως συνδεδεμένο επίπεδο)

Ονομάζεται επίσης πλήρως συνδεδεμένο στρώμα, είναι ο πιο κοινός τύπος στρώματος. Πολλαπλασιάζει το διάνυσμα εισόδου με τον πίνακα βάρους και στη συνέχεια προσθέτει το διάνυσμα πόλωσης για να πάρει το διάνυσμα εξόδου. Το γραμμικό στρώμα είναι το βασικό στρώμα στο νευρωνικό δίκτυο και η κύρια λειτουργία του είναι να χαρτογραφεί την είσοδο υψηλής διάστασης σε έξοδο χαμηλής διάστασης.

Δείγμα κώδικα γραμμικού επιπέδου

import torch
import torch.nn as nn
 
# 定义输入向量的维度
input_size = 10
 
# 定义线性层的输出维度
output_size = 5
 
# 创建线性层
fc_layer = nn.Linear(input_size, output_size)
 
# 创建输入向量
input_vector = torch.randn(1, input_size)  # 假设输入向量的形状为(1, input_size)
 
# 进行前向传播计算
output_vector = fc_layer(input_vector)
 
# 打印输出向量
print(output_vector)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

Αρχικά, εισάγονται οι μονάδες torch και torch.nn. Στη συνέχεια, ορίζουμε τη διάσταση input_size του διανύσματος εισόδου και τη διάσταση εξόδου output_size του γραμμικού στρώματος.

Στη συνέχεια, δημιουργήσαμε ένα αντικείμενο γραμμικού επιπέδου με το όνομα fc_layer χρησιμοποιώντας την κλάση nn.Linear. Η πρώτη παράμετρος αυτής της κλάσης είναι η διάσταση εισόδου και η δεύτερη παράμετρος είναι η διάσταση εξόδου.

Στη συνέχεια, δημιουργούμε ένα τυχαίο διάνυσμα εισόδου input_vector και το περνάμε στο γραμμικό επίπεδο για υπολογισμούς μετάδοσης προς τα εμπρός.Τέλος, εκτυπώνουμε το διάνυσμα εξόδου