Un neurone à partir de zéro
Tout le deep learning est construit à partir d'une toute petite pièce : le neurone artificiel. Il fait trois choses, dans l'ordre.
- Somme pondérée. Multiplie chaque entrée par son propre poids et additionne le tout. Un poids dit à quel point cette entrée compte.
- Ajouter un biais. Un seul nombre qui décale le résultat vers le haut ou le bas, comme une ordonnée à l'origine.
- Activation. Écrase le résultat à travers une fonction non linéaire pour que le neurone puisse exprimer plus qu'une droite.
Une activation classique est la sigmoïde, qui envoie n'importe quel nombre vers une valeur entre 0 et 1 (pratique pour des probabilités) :
sigmoid(z) = 1 / (1 + e^(-z))Quelques repères : sigmoid(0) vaut exactement 0.5, les grandes entrées positives s'approchent de 1, et les grandes entrées négatives de 0. Mets tout ensemble et un neurone, c'est juste :
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) fait la multiplication-addition pour tout le vecteur d'entrée d'un coup. C'est toute l'idée. Empile-en des milliers, entraîne les poids, et tu as un réseau de neurones.
Code neuron(x, w, b) avec numpy. Calcule la somme pondérée np.dot(x, w), ajoute le biais b, puis renvoie la sigmoïde du tout. Puis écris out = neuron(x, w, b) pour les x, w et b fournis.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.