Una neurona desde cero
Todo el aprendizaje profundo se construye con una pieza diminuta: la neurona artificial. Hace tres cosas, en orden.
- Suma ponderada. Multiplica cada entrada por su propio peso y súmalas. Un peso dice cuánto importa esa entrada.
- Suma un sesgo. Un solo número que desplaza el resultado hacia arriba o hacia abajo, como un término independiente.
- Activación. Comprime el resultado con una función no lineal para que la neurona pueda expresar algo más que una línea recta.
Una activación clásica es la sigmoide, que lleva cualquier número a un valor entre 0 y 1 (práctico para las probabilidades):
sigmoid(z) = 1 / (1 + e^(-z))Algunos puntos de referencia: sigmoid(0) es exactamente 0.5, las entradas positivas grandes se acercan a 1 y las negativas grandes se acercan a 0. Júntalo todo y una neurona es simplemente:
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) hace la multiplicación y la suma de todo el vector de entrada de una vez. Esa es toda la idea. Apila miles de estas, entrena los pesos, y tienes una red neuronal.
Implementa neuron(x, w, b) con numpy. Calcula la suma ponderada np.dot(x, w), suma el sesgo b y devuelve la sigmoide de eso. Luego asigna out = neuron(x, w, b) para los x, w y b dados.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.