Programma Lezione 99 di 250 · Intuizione sulle reti neurali, LLM e progetto finale di IA
Intuizione sulle reti neurali, LLM e progetto finale di IA

Un neurone da zero

Tutto il deep learning è costruito da un solo pezzo minuscolo: il neurone artificiale. Fa tre cose, in ordine.

  • Somma pesata. Moltiplica ogni input per il suo peso e somma tutto. Un peso dice quanto conta quell'input.
  • Aggiungi un bias. Un singolo numero che sposta il risultato in su o in giù, come un'intercetta.
  • Attivazione. Schiaccia il risultato con una funzione non lineare così il neurone può esprimere più di una retta.

Un'attivazione classica è la sigmoide, che porta qualsiasi numero a un valore tra 0 e 1 (comodo per le probabilità):

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

Qualche punto di riferimento: sigmoid(0) vale esattamente 0.5, gli input molto positivi si avvicinano a 1, e quelli molto negativi si avvicinano a 0. Metti tutto insieme e un neurone è solo:

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) fa moltiplicazione e somma per tutto il vettore di input in un colpo. Questa è tutta l'idea. Impilane migliaia e addestra i pesi, e hai una rete neurale.

Tocca a te

Implementa neuron(x, w, b) usando numpy. Calcola la somma pesata np.dot(x, w), aggiungi il bias b, poi restituisci la sigmoide di quel valore. Poi assegna out = neuron(x, w, b) per i dati x, w e b.

Hai notato un problema in questa lezione? Segnalalo · Chiedi qualcosa su questa lezione

Questo esercizio si apre presto

Finisci la lezione precedente e questa si sblocca. L'intero corso è gratuito, senza account, e puoi leggere questa lezione subito.