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 activationnp.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.
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.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.