Conteúdo do curso Lição 99 de 250 · Intuição de Redes Neurais, LLMs e Conclusão de IA
Intuição de Redes Neurais, LLMs e Conclusão de IA

Um Neurônio do Zero

Todo o deep learning é construído a partir de uma parte minúscula: o artificial neuron. Ele faz três coisas, em ordem.

  • Soma ponderada.Multiplique cada entrada pelo seu próprio peso e some tudo. Um peso diz o quanto aquela entrada importa.
  • Adicione um viés. Um único número que desloca o resultado para cima ou para baixo, como um intercepto.
  • Activation. Comprima o resultado através de uma função não linear para que o neurônio possa expressar mais do que uma linha reta.

A ativação clássica é a sigmoid, que mapeia qualquer número para um valor entre 0 e 1 (útil para probabilidades):

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

Alguns marcos: sigmoid(0) é exatamente 0.5, grandes entradas positivas se aproximam de 1, e grandes entradas negativas se aproximam de 0. Junte tudo e um neurônio é apenas:

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) faz a multiplicação e soma para o vetor de entrada inteiro de uma vez. Essa é a ideia toda. Empilhe milhares desses e treine os pesos, e você tem uma rede neural.

Sua vez

Implemente neuron(x, w, b) usando numpy. Calcule a soma ponderada np.dot(x, w), adicione o bias b, depois retorne o sigmoid disso. Então defina out = neuron(x, w, b) para o dado x, w e b.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.