Een verborgen laag lost XOR op
Waarom dit ertoe doet Dit is het moment waarop diepte zijn waarde bewijst: twee neuronen in een middelste laag buigen de ruimte zodat één lijn het werk kan afmaken.
Bekijk het
Speel de animatie af. Twee verborgen neuronen trekken elk hun eigen lijn. Neuron 1 vuurt voor "minstens één input is 1" (een OR). Neuron 2 vuurt voor "beide zijn 1" (een AND). In termen van die twee nieuwe kenmerken is XOR gewoon "OR maar niet AND": het output neuron berekent h1 min h2.
Tintalletjes
Gebruik een stap activatie (1 als het totaal boven 0 is, anders 0). h1 = step(x1 + x2 - 0.5) is OR. h2 = step(x1 + x2 - 1.5) is AND. Output = step(h1 - h2 - 0.5). Controleer (1,1): h1 = 1, h2 = 1, output step(-0.5) = 0. Correct.
Hidden layer: een laag tussen input en output waarvan de neuronen nieuwe kenmerken bouwen die de volgende laag kan gebruiken.
Samenvatting Elke laag beschrijft de data opnieuw zodat de taak van de volgende laag makkelijker is.
Woorden en symbolen in deze les
- neuron
- w . x + b, dan een activatie
- weights (w, W), bias (b)
- de getallen die een neuron leert; de bias verschuift zijn output
- hidden layer
- a laag tussen input en output die nieuwe features bou
Stel de gewichten W1 (2 bij 2), b1 (2), w2 (2) en b2 van een netwerk met twee lagen met step activaties zo in dat forward(X) alle vier de XOR punten goed krijgt. Gebruik je eigen getallen of de getallen hierboven.
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.