Een Neuron vanaf nul
Al van deep learning is gebouwd uit één klein onderdeel: het artificial neuron. Het doet drie dingen, in volgorde.
- Gewogen som. Vermenigvuldig elke input met zijn eigen gewicht en tel ze bij elkaar op. Een gewicht zegt hoeveel die input ertoe doet.
- Voeg een bias toe.Een enkel getal dat het resultaat omhoog of omlaag verschuift, zoals een intercept.
- Activation. Druk het resultaat door een niet-lineaire functie zodat het neuron meer kan uitdrukken dan een rechte lijn.
A klassieke activatie is de sigmoid, die elk getal naar een waarde tussen 0 en 1 brengt (handig voor kansberekeningen):
sigmoid(z) = 1 / (1 + e^(-z))Enkele herkenningspunten: sigmoid(0) is precies 0.5, grote positieve inputs benaderen 1, en grote negatieve inputs benaderen 0. Zet het samen en een neuron is gewoon:
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) doet de vermenigvuldiging en optelling voor de hele input vector in één keer. Dat is het hele idee. Stapel duizenden van deze op en train de weights, en je hebt een neuraal netwerk.
Implementeer neuron(x, w, b) met numpy. Bereken de gewogen som np.dot(x, w), voeg de bias b toe, en geef dan de sigmoid daarvan terug. Stel daarna out = neuron(x, w, b) in voor de gegeven x, w en b.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.