Ein Neuron von Grund auf
Das gesamte Deep Learning basiert auf einem winzigen Teil: dem artificial neuron. Es tut drei Dinge, in dieser Reihenfolge.
- Gewichtete Summe.Multipliziere jeden Input mit seinem eigenen Gewicht und addiere sie auf. Ein Gewicht sagt, wie viel dieser Input zählt.
- Füge einen Bias hinzu.Eine einzelne Zahl, die das Ergebnis nach oben oder unten verschiebt, wie ein Achsenabschnitt.
- Activation. Drücke das Ergebnis durch eine nichtlineare Funktion, damit das Neuron mehr als eine gerade Linie ausdrücken kann.
A klassische Aktivierung ist die sigmoid, die jede Zahl auf einen Wert zwischen 0 und 1 abbildet (praktisch für Wahrscheinlichkeiten):
sigmoid(z) = 1 / (1 + e^(-z))Einige Orientierungspunkte: sigmoid(0) ist genau 0.5, große positive Eingaben nähern sich 1 an, und große negative Eingaben nähern sich 0 an. Alles zusammen und ein Neuron ist einfach:
import numpy as np
def neuron(x, w, b):
z = np.dot(x, w) + b # weighted sum + bias
return 1 / (1 + np.exp(-z)) # sigmoid activationnp.dot(x, w) führt die Multiplikation und Addition für den gesamten Eingabevektor auf einmal aus. Das ist die gesamte Idee. Staple Tausende davon und trainiere die weights, und du hast ein neuronales Netzwerk.
Implementiere neuron(x, w, b) mit numpy. Berechne die gewichtete Summe np.dot(x, w), addiere den Bias b und gib dann das Sigmoid davon zurück. Setze danach out = neuron(x, w, b) für das gegebene x, w und b.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.