पाठ्यक्रम 250 में से पाठ 99 · Neural-net की समझ, LLMs और AI कैपस्टोन
Neural-net की समझ, LLMs और AI कैपस्टोन

शुरू से एक neuron

पूरी deep learning एक छोटे हिस्से से बनी है: कृत्रिम neuron। यह क्रम से तीन काम करता है।

  • भारित योग। हर इनपुट को उसके अपने भार से गुणा करें और जोड़ें। भार बताता है कि वह इनपुट कितना मायने रखता है।
  • एक bias जोड़ें। एक अकेली संख्या जो नतीजे को ऊपर या नीचे खिसकाती है, एक intercept की तरह।
  • Activation। नतीजे को एक non-linear फ़ंक्शन से दबाएँ ताकि neuron सीधी रेखा से ज़्यादा कुछ बता सके।

एक क्लासिक activation sigmoid है, जो किसी भी संख्या को 0 और 1 के बीच के मान में बदलता है (प्रायिकताओं के लिए काम का):

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

कुछ निशान: sigmoid(0) ठीक 0.5 है, बड़े धनात्मक इनपुट 1 के पास पहुँचते हैं, और बड़े ऋणात्मक इनपुट 0 के पास। इसे जोड़ें और एक neuron बस यह है:

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) पूरे इनपुट vector के लिए एक साथ गुणा-और-जोड़ करता है। बस यही पूरा विचार है। ऐसे हज़ारों को एक के ऊपर एक रखें और भार train करें, और आपके पास एक neural network है।

आपकी बारी

numpy से neuron(x, w, b) लागू करें। भारित योग np.dot(x, w) निकालें, bias b जोड़ें, फिर उसका sigmoid लौटाएँ। फिर दिए x, w, और b के लिए out = neuron(x, w, b) सेट करें।

इस पाठ में कोई समस्या दिखी? बताएँ · इस पाठ के बारे में पूछें

यह अभ्यास जल्द खुलेगा

इससे पहले वाला पाठ पूरा करें और यह खुल जाएगा। पूरा कोर्स मुफ़्त है, कोई खाता नहीं चाहिए, और आप यह पाठ अभी पढ़ सकते हैं।