神经网络直觉、LLM 与 AI 综合项目
从零实现一个神经元
你以前学过这门课程吗?
这样我们只统计你一次。只会发送你的答案,以及你的匿名进度。
整个深度学习都由一个小小的部件构建而成:人工神经元。它按顺序做三件事。
- 加权和。把每个输入乘以它自己的权重,然后加起来。权重说明那个输入有多重要。
- 加上偏置。一个把结果往上或往下平移的数,就像截距。
- 激活。把结果通过一个非线性函数压缩,让神经元能表达的不只是一条直线。
一个经典的激活函数是 sigmoid,它把任何数映射到 0 和 1 之间的一个值(很适合表示概率):
sigmoid(z) = 1 / (1 + e^(-z))几个标志点:sigmoid(0) 恰好是 0.5,大的正输入趋近于 1,大的负输入趋近于 0。把它们组合起来,一个神经元就只是:
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) 一次性对整个输入向量完成乘法和加法。整个想法就是这样。把成千上万个这样的东西堆起来并训练权重,你就有了一个神经网络。
轮到你了
用 numpy 实现 neuron(x, w, b)。计算加权和 np.dot(x, w),加上偏置 b,然后返回它的 sigmoid。然后用给定的 x、w 和 b 设 out = neuron(x, w, b)。
本课已完成。干得好。
这个练习即将开放
完成它前面的那一课,这一课就会解锁。整门课程免费,无需账号,而且你现在就可以阅读这节课。
这个浏览器屏蔽了 learn.floati.life 的 Cookie,所以你在这里完成的课程无法按顺序打开。请允许这个网站使用 Cookie,然后重新加载。