تمرير أمامي بطبقتين
الخلية العصبية الواحدة هي خط. قم بتكديس layer منها، وأضف وظيفة غير خطية، ثم مرر ذلك إلى طبقة أخرى، ويمكن للشبكة الانحناء لتناسب أي شيء تقريبًا. يسمى تمرير البيانات عبر الطبقات للحصول على مخرج forward pass.
طبقةA هي مجرد ضرب مصفوفات: كل عمود في مصفوفة الأوزان هو أوزان عصبون واحد. باستخدام numpy، الطبقة كاملة هي x @ W + b (المعامل @ هو ضرب المصفوفات).
بين الطبقات نطبق تفعيلاً غير خطي. تفضل الشبكات الحديثة ReLU (Rectified Linear Unit)، وهو ببساطة max(0, z): الاحتفاظ بالقيم الموجبة، وتصفير القيم السالبة. بدون عدم الخطية، سيؤدي تكديس الطبقات إلى الانهيار والعودة إلى خط واحد.
import numpy as np
def relu(z):
return np.maximum(0, z)
h = relu(x @ W1 + b1) # hidden layer
out = h @ W2 + b2 # output layerلماذا نفعل هذا في numpy هنا
الأطر الحقيقية لهذا هي TensorFlow و PyTorch. لا يمكن تشغيلها في هذا الدرس: Pyodide هو CPython تمت ترجمته إلى WebAssembly في متصفحك، وتتضمن تلك المكتبات كود C++ و CUDA/GPU أصلي ثقيل ليس له بناء WebAssembly. لذا نحصل على intuition باستخدام بضعة أسطر من numpy، وهو بالضبط ما يمثله forward pass في الداخل. تضيف الأطر autograd و GPUs و scale، وليس أفكاراً جديدة حول هذه الخطوة.
راقب الأشكال: مدخل بطول 3 عبر مصفوفة أوزان 3x4 يعطي 4 قيم مخفية؛ عبر مصفوفة 4x1 تصبح مخرجا واحدا.
أنهِ عملية التمرير الأمامي. اكتب relu(z) مع np.maximum، ثم احسب الطبقة المخفية h = relu(x @ W1 + b1) والمخرجات out = h @ W2 + b2 باستخدام الأوزان المقدمة.
سيفتح هذا التمرين قريبا
أنهِ الدرس السابق ليفتح هذا الدرس. الدورة كاملة مجانية، ولا تحتاج إلى حساب، ويمكنك قراءة هذا الدرس الآن.
يقوم هذا المتصفح بحظر ملفات تعريف الارتباط لـ learn.floati.life، لذا لا يمكن فتح الدروس التي أنهيتها هنا بالترتيب. اسمح بملفات تعريف الارتباط لهذا الموقع وأعد التحميل.