Bridge check: wat je al weet
Waarom dit ertoe doet Deze cursus begint bij één neuron, maar het gaat snel. Deze korte check vertelt je of je de korte Samenvatting hieronder moet lezen voordat je verder gaat.
Vijf vragen over de basisideeën. Als je er meer dan één mist, lees dan eerst de herhaling; het duurt ongeveer 20 minuten.
Snelle herhaling
A neuron vermenigvuldigt elke input met een gewicht, telt deze op, voegt een bias toe en geeft het totaal door een activation function. A layer zijn veel neuronen naast elkaar, elk met zijn eigen weights. A network zijn lagen in een rij: de outputs van elke laag zijn de inputs van de volgende laag.
Training betekent het vinden van gewichten die de loss klein maken. De gradient van de loss vertelt je voor elk gewicht hoe de loss verandert als dat gewicht een beetje wordt verschoven. Gradient descent verschuift elk gewicht een klein beetje naar beneden, keer op keer. Backpropagation is de efficiënte manier om al die gradiënten tegelijk te krijgen door gevoeligheden achterwaarts door de berekening te sturen. Je bouwt elk van deze vanaf nul in Modules 2 tot 4, dus een ruw beeld is voor nu genoeg.
Woorden en symbolen in deze les
- loss
- 0Zone nummer dat aangeeft hoe fout het model is; training maakt het kleiner
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.