Модели deep learning состоят из слоёв нейронов, организованных в архитектуру, которая позволяет извлекать иерархические признаки из данных. Основные компоненты: - **Слои (Layers)** - **Dense (Fully Connected)**: линейные преобразования с активацией. - **Convolutional (CNN)**: для обработки изображений/пространственных данных. - **Recurrent (RNN/LSTM)**: для последовательностей (текст, временные ряды). - **Transformer**: self-attention для NLP и других задач. - **Функции активации** ReLU, Sigmoid, Tanh — добавляют нелинейность. - **Функция потерь (Loss)** MSE, Cross-Entropy — оценивает ошибку предсказания. - **Оптимизатор** Adam, SGD — обновляет веса для минимизации потерь. Пример модели на PyTorch: ``` import torch.nn as nn model = nn.Sequential( nn.Linear(784, 256), # Fully Connected nn.ReLU(), # Активация nn.Linear(256, 10) # Выходной слой ) loss_fn = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters()) ```