CodeBlanks Logo Icon CodeBlanks
Giriş Yap Kayıt Ol

Katmanlar

Neural network, giriş, gizli ve çıkış katmanlarından oluşur.

Katmanlar

Bir katman, aynı girdiyi alan nöronların topluluğudur. Tüm nöronların ağırlıkları bir matriste toplanır; böylece katmanın çıktısı tek bir matris çarpımıyla hesaplanır:

# 3 girdi, 4 nöronlu katman
W = rng.normal(size=(3, 4))   # her sütun bir nöron
b = np.zeros(4)
h = X @ W + b                  # (n, 3) @ (3, 4) -> (n, 4)

Girdi katmanı veriyi alır, gizli katmanlar ara temsiller üretir, çıktı katmanı tahmini verir.

Derinlik ve genişlik

Bir ağın genişliği katman başına nöron sayısı, derinliği katman sayısıdır. Derin ağlar hiyerarşik özellikler öğrenir: görüntüde ilk katmanlar kenarları, sonrakiler şekilleri, en üsttekiler nesneleri.

katmanlar = [784, 128, 64, 10]   # girdi, iki gizli, çıktı
param = sum(a * b + b for a, b in zip(katmanlar[:-1], katmanlar[1:]))
print(param)   # 109386

Parametre sayısı arttıkça model daha esnek olur ama daha çok veri ve düzenlileştirme ister.

Uygulama Parametre sayısı

Katman boyutları [784, 256, 128, 10] olan bir ağın her katmanının parametre sayısını (ağırlık + sapma) bir liste olarak, ardından toplamı yazdır.

Başlangıç kodu

model.py
katmanlar = [784, 256, 128, 10]

# buraya yaz

Örnek çözüm

model.py
katmanlar = [784, 256, 128, 10]

param = [a * b + b for a, b in zip(katmanlar[:-1], katmanlar[1:])]
print(param)
print(sum(param))

Beklenen çıktı

[200960, 32896, 1290]
235146

Soru ve cevaplar

Dersin sorularını cevaplarıyla birlikte inceleyebilirsin. Kendini denemek istersen dersi interaktif olarak çöz.

1 10 girdili ve 32 nöronlu bir katmanın kaç parametresi vardır?

  • 320
  • 42
  • 32
  • 352 Doğru cevap

Açıklama: Ağırlıklar 10 × 32 = 320, sapmalar 32: toplam 352.

2 Katmanın çıktısını hesapla.

Soru 
h = X @ W ____ b
Cevap 
h = X @ W + b

Açıklama: Sapma vektörü yayınlamayla her satıra eklenir.

3 Katmanları eşleştir.

Kavram Anlamı
girdi katmanı Veriyi alır
gizli katman Ara temsil
çıktı katmanı Tahmin
W sütunu Bir nöron

İleri seviye bölümündeki tüm dersler

1 Neural network temelleri

  1. Neural network nedir?
  2. Nöron
  3. Katmanlar
  4. Aktivasyon
  5. İleri yayılım
  6. Özet - Neural network

2 PyTorch temelleri

  1. PyTorch nedir?
  2. Tensor
  3. Tensor oluşturma
  4. Tensor özellikleri
  5. GPU desteği
  6. Özet - PyTorch

3 Tensor işlemleri

  1. Tensor işlemleri
  2. Shape
  3. Dtype
  4. Reshape
  5. Indexing
  6. Özet - Tensor işlemleri

4 Autograd

  1. Autograd nedir?
  2. requires_grad
  3. backward()
  4. grad
  5. Computational graph
  6. Özet - Autograd

5 Proje: Neural network

  1. Tensor hazırlama
  2. Model tanımı
  3. Loss hesabı
  4. Optimize edici

6 nn.Module

  1. nn.Module nedir?
  2. __init__
  3. forward
  4. nn.Linear
  5. parameters()
  6. Özet - nn.Module

7 Eğitim döngüsü

  1. Eğitim döngüsü
  2. Epoch
  3. Loss
  4. backward()
  5. optimizer.step()
  6. Özet - Eğitim döngüsü

8 CNN

  1. CNN nedir?
  2. Conv2d
  3. MaxPool2d
  4. Feature map
  5. Flatten
  6. Özet - CNN

9 RNN

  1. RNN nedir?
  2. Hidden state
  3. Sequence
  4. Vanishing gradient
  5. Embedding
  6. Özet - RNN

10 LSTM

  1. LSTM nedir?
  2. Gate'ler
  3. Cell state
  4. input_size
  5. hidden_size
  6. Özet - LSTM

11 Proje: CNN

  1. Veri hazırlama
  2. CNN modeli
  3. Loss ve optimizer
  4. Eğitim

12 Transfer öğrenme

  1. Transfer öğrenme nedir?
  2. Pre-trained model
  3. Fine-tuning
  4. Feature extraction
  5. Avantajlar
  6. Özet - Transfer öğrenme

13 Optimizasyon

  1. Optimizer nedir?
  2. SGD
  3. Adam
  4. Learning rate
  5. zero_grad()
  6. Özet - Optimizasyon

14 İleri seviye finali

  1. Meydan okuma 1
  2. Meydan okuma 2
  3. Meydan okuma 3
  4. Meydan okuma 4