Sebuah Neuron dari Nol
Semua deep learning dibangun dari satu bagian kecil: artificial neuron. Ini melakukan tiga hal, secara berurutan.
- Jumlah berbobot.Zarkan setiap input dengan bobotnya masing-masing dan jumlahkan semuanya. Bobot menunjukkan seberapa penting input tersebut.
- Tambah bias. Sebuah angka tunggal yang menggeser hasil ke atas atau ke bawah, seperti intercept.
- Activation. Tekan hasilnya melalui fungsi nonlinear supaya neuron bisa mengekspresikan lebih dari sekadar garis lurus.
A aktivasi klasik adalah sigmoid, yang memetakan angka apa pun ke nilai antara 0 dan 1 (berguna untuk probabilitas):
sigmoid(z) = 1 / (1 + e^(-z))Beberapa patokan: sigmoid(0) adalah tepatnya 0.5, input positif besar mendekati 1, dan input negatif besar mendekati 0. Gabungkan semuanya dan sebuah neuron hanyalah:
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) melakukan perkalian dan penjumlahan untuk seluruh vektor input sekaligus. Itulah ide utamanya. Tumpuk ribuan hal ini dan latih bobotnya, lalu kamu punya jaringan saraf.
Implement neuron(x, w, b) menggunakan numpy. Hitung jumlah berbobot np.dot(x, w), tambahkan bias b, lalu kembalikan sigmoid dari hasil tersebut. Kemudian atur out = neuron(x, w, b) untuk x, w, dan b yang diberikan.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.