एक छिपी layer XOR हल करती है
यह क्यों मायने रखता है यह वह पल है जब गहराई अपनी क़ीमत कमाती है: बीच की layer में दो neurons जगह को मोड़ते हैं ताकि एक रेखा काम पूरा कर सके।
इसे देखें
animation चलाएँ। दो छिपे neurons हर एक अपनी रेखा खींचते हैं। Neuron 1 "कम से कम एक input 1 है" (एक OR) के लिए चलता है। Neuron 2 "दोनों 1 हैं" (एक AND) के लिए चलता है। उन दो नए features के रूप में, XOR बस "OR पर AND नहीं" है: output neuron h1 घटा h2 निकालता है।
छोटी संख्याएँ
एक step activation इस्तेमाल करें (1 अगर कुल 0 से ऊपर हो, नहीं तो 0)। h1 = step(x1 + x2 - 0.5) OR है। h2 = step(x1 + x2 - 1.5) AND है। Output = step(h1 - h2 - 0.5)। (1,1) जाँचें: h1 = 1, h2 = 1, output step(-0.5) = 0। सही।
Hidden layer: input और output के बीच एक layer जिसके neurons नए features बनाते हैं जिन्हें अगली layer इस्तेमाल कर सके।
सार हर layer data का फिर से वर्णन करती है ताकि अगली layer का काम आसान हो।
इस पाठ के शब्द और चिह्न
- neuron
- w . x + b, फिर एक activation
- weights (w, W), bias (b)
- वे संख्याएँ जो एक neuron सीखता है; bias उसका output खिसकाता है
- hidden layer
- input और output के बीच एक layer जो नए features बनाती है
step activations वाले एक दो-layer network के weights W1 (2 गुणा 2), b1 (2), w2 (2) और b2 सेट करें ताकि forward(X) चारों XOR बिंदु सही करे। अपनी संख्याएँ या ऊपर वाली इस्तेमाल 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।
यह ब्राउज़र learn.floati.life के लिए कुकी रोक रहा है, इसलिए यहाँ पूरे किए गए पाठ क्रम से नहीं खुल सकते। इस साइट के लिए कुकी की अनुमति दें और फिर से लोड करें।