سرفصل‌ها درس 99 از 250 · شهود شبکه عصبی، LLMها و پروژه پایانی هوش مصنوعی
شهود شبکه عصبی، LLMها و پروژه پایانی هوش مصنوعی

یک نورون از صفر

تمام یادگیری عمیق بر پایه یک جزء کوچک بنا شده است: نورون مصنوعی. این نورون سه کار را به ترتیب انجام می‌دهد.

  • جمع وزنی. هر ورودی را در ضریب مربوطه ضرب کرده و آن‌ها را با هم جمع می‌کنند. ضریب نشان می‌دهد آن ورودی چقدر اهمیت دارد.
  • اضافه کردن بایاس. یک عدد واحد که نتیجه را به سمت بالا یا پایین جابجا می‌کند، مانند یک نقطه‌برش.
  • فعال‌سازی. نتیجه را از طریق یک تابع غیرخطی عبور دهید تا نورون بتواند بیش از یک خط مستقیم را بیان کند.

یک تابع فعال‌سازی کلاسیک، سیگموئید است که هر عددی را به مقداری بین ۰ و ۱ نگاشت می‌کند (که برای احتمالات مناسب است):

sigmoid(z) = 1 / (1 + e^(-z))

برخی از نقاط عطف: sigmoid(0) دقیقاً 0.5، ورودی‌های بزرگ مثبت به سمت 1 نزدیک می‌شوند 1، و ورودی‌های بزرگ منفی به سمت 0. وقتی همه را کنار هم می‌گذاریم، یک نورون فقط عبارت است از:

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 activation

np.dot(x, w) عمل ضرب و جمع را برای کل بردار ورودی به‌صورت یکجا انجام می‌دهد. این کل ایده است. هزاران عدد از این را روی هم قرار دهید و وزن‌ها را آموزش دهید، و یک شبکه عصبی خواهید داشت.

نوبت شما

پیاده‌سازی neuron(x, w, b) با استفاده از numpy. جمع وزنی را محاسبه کنید np.dot(x, w)، بایاس را اضافه کنید b، سپس سیگموئید آن را بازگردانید. سپس تنظیم کنید out = neuron(x, w, b) برای داده‌ی داده‌شده x, w، و b.

مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید

این تمرین به‌زودی باز می‌شود

درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و می‌توانید همین الان این درس را بخوانید.