nn.Module nedir?

nn.Module, tüm neural network modellerinin taban sınıfıdır.

nn.Module nedir?

nn.Module, PyTorch'ta her modelin ve katmanın türediği temel sınıftır. Bir modül parametrelerini, alt modüllerini ve ileri yayılım hesabını bir arada tutar:

class Model(nn.Module):
    def __init__(self):
        super().__init__()
        self.katman = nn.Linear(4, 3)

    def forward(self, x):
        return self.katman(x)

m = Model()
print(m(torch.zeros(2, 4)).shape)   # torch.Size([2, 3])

Modül çağrılırken m(x) yazılır; bu, arka planda forward'u çalıştırır.

Hazır modüller

torch.nn içinde katmanlar (Linear, Conv2d, LSTM), aktivasyonlar (ReLU, Sigmoid), kayıplar (MSELoss, CrossEntropyLoss) ve düzenleyiciler (Dropout, BatchNorm1d) birer modüldür. Basit zincirler için nn.Sequential sınıf yazmadan model kurar:

model = nn.Sequential(
    nn.Linear(4, 16),
    nn.ReLU(),
    nn.Linear(16, 3),
)
print(model(torch.zeros(5, 4)).shape)   # torch.Size([5, 3])

Uygulama İlk modül

nn.Sequential(nn.Linear(4, 16), nn.ReLU(), nn.Linear(16, 3)) modelini kur. torch.zeros(5, 4) girdisinin çıktı şeklini ve modelin uzunluğunu (len(model)) aynı satırda yazdır.

Örnek çözümü göster

import torch
from torch import nn

model = nn.Sequential(nn.Linear(4, 16), nn.ReLU(), nn.Linear(16, 3))
print(model(torch.zeros(5, 4)).shape, len(model))

Kendini test et

Modeli çalıştırmak için neden <code>m.forward(x)</code> yerine <code>m(x)</code> yazılır?
- m(x) kancaları (hook) ve iç işleri de çalıştırır
- Daha kısa olduğu için
- forward yoktur
- Fark yoktur
Cevabı göster

m(x) kancaları (hook) ve iç işleri de çalıştırır — __call__ forward'u sarmalar; doğrudan forward çağırmak bu adımları atlar.

Katmanları sırayla zincirle.

model = nn.____(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 2))

Cevabı göster

model = nn.Sequential(nn.Linear(4, 8), nn.ReLU(), nn.Linear(8, 2))

Modülleri eşleştir.

nn.Linear

Doğrusal katman
nn.ReLU

Aktivasyon
nn.CrossEntropyLoss

Kayıp
nn.Sequential

Sıralı kap

Sıradaki ders: __init__

Deneyiminizi Geliştiriyoruz

Çerez Tercihleri

Kesinlikle Gerekli Çerezler

Analitik Çerezler