ضرب ماتریسی: یک لایهٔ کامل با هم
چرا مهم است یک لایه نورونهای بسیار است و یک دسته ورودیهای بسیار. یک ضرب ماتریسی همهٔ نورونها را روی همهٔ ورودیها در یک خط محاسبه میکند.
ورودیها را بهصورت ردیفهای X روی هم بچینید (شکل: ورودیها در ویژگیها). وزنهای هر نورون را بهصورت یک ستون از W بچینید (شکل: ویژگیها در نورونها). آنگاه X @ W برای هر ورودی یک ردیف و برای هر نورون یک ستون دارد: درایهٔ (i, j) ضرب داخلی ورودی i با وزنهای نورون j است.
اعداد کوچک
X = [[1, 2], W = [[1, 0, -1],
[3, 4]] [0, 1, 1]]
X @ W = [[1, 2, 1],
[3, 4, 1]]
ردیف 1، ستون 3: 1 ضرب در -1 بهعلاوهٔ 2 ضرب در 1 برابر 1 است. شکلها زنجیر میشوند: (2, 2) @ (2, 3) نتیجهٔ (2, 3) میدهد. اعداد درونی باید جور باشند.
ضرب ماتریسی: هر ردیف چپ ضرب در هر ستون راست، بهصورت ضربهای داخلی.
خلاصه (batch, in) @ (in, out) = (batch, out). همین یک قاعدهٔ شکل کل دوره را پیش میبرد.
واژهها و نمادهای این درس
- ضرب داخلی (a . b)
- اقلام متناظر را ضرب و همه را جمع کنید؛ وقتی بردارها همسو هستند بزرگ است
layer(X, W, b) را بنویسید که X @ W + b را برمیگرداند، و layer_shape(batch, n_in, n_out) را که شکل خروجی را بدون ساختن هیچ آرایهای بهصورت یک تاپل برمیگرداند.
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.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.