Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lernen Herausforderung: Erstellung eines Perzeptrons | Neural Network von Grund Auf
Einführung in Neuronale Netze

bookHerausforderung: Erstellung eines Perzeptrons

Da unser Ziel die Implementierung eines mehrschichtigen Perzeptrons ist, vereinfacht das Erstellen einer Perceptron-Klasse die Initialisierung des Modells. Ihr einziges Attribut, layers, ist im Wesentlichen eine Liste der Layer-Objekte, die die Struktur des Netzwerks definieren:

class Perceptron:
    def __init__(self, layers):
        self.layers = layers

Die Variablen, die zur Initialisierung der Schichten verwendet werden, sind die folgenden:

  • input_size: die Anzahl der Eingabemerkmale;
  • hidden_size: die Anzahl der Neuronen in jeder versteckten Schicht (beide versteckten Schichten haben in diesem Fall die gleiche Anzahl an Neuronen);
  • output_size: die Anzahl der Neuronen in der Ausgabeschicht.

Die Struktur des resultierenden Perzeptrons sollte wie folgt aussehen:

Aufgabe

Swipe to start coding

Ziel ist es, die Grundstruktur des Perzeptrons durch Implementierung seiner Schichten aufzubauen:

  1. Initialisierung der Gewichte (eine Matrix) und Biases (ein Vektor) mit Zufallswerten aus einer gleichverteilten Verteilung im Bereich [1,1)[-1, 1) unter Verwendung von NumPy.
  2. Berechnung der Roh-Ausgabewerte der Neuronen in der Methode forward() der Klasse Layer.
  3. Anwendung der Aktivierungsfunktion auf die Roh-Ausgaben in der Methode forward() der Klasse Layer und Rückgabe des Ergebnisses.
  4. Definition von drei Schichten in der Klasse Perceptron: zwei versteckte Schichten mit gleicher Neuronenzahl und eine Ausgabeschicht. Beide versteckten Schichten sollen die relu-Aktivierungsfunktion verwenden, während die Ausgabeschicht sigmoid nutzt.

Lösung

War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 4
single

single

Fragen Sie AI

expand

Fragen Sie AI

ChatGPT

Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen

Suggested prompts:

Can you explain how to define the Layer class?

How do I initialize the Perceptron with specific layer sizes?

What is the purpose of having multiple hidden layers in this structure?

close

Awesome!

Completion rate improved to 4

bookHerausforderung: Erstellung eines Perzeptrons

Swipe um das Menü anzuzeigen

Da unser Ziel die Implementierung eines mehrschichtigen Perzeptrons ist, vereinfacht das Erstellen einer Perceptron-Klasse die Initialisierung des Modells. Ihr einziges Attribut, layers, ist im Wesentlichen eine Liste der Layer-Objekte, die die Struktur des Netzwerks definieren:

class Perceptron:
    def __init__(self, layers):
        self.layers = layers

Die Variablen, die zur Initialisierung der Schichten verwendet werden, sind die folgenden:

  • input_size: die Anzahl der Eingabemerkmale;
  • hidden_size: die Anzahl der Neuronen in jeder versteckten Schicht (beide versteckten Schichten haben in diesem Fall die gleiche Anzahl an Neuronen);
  • output_size: die Anzahl der Neuronen in der Ausgabeschicht.

Die Struktur des resultierenden Perzeptrons sollte wie folgt aussehen:

Aufgabe

Swipe to start coding

Ziel ist es, die Grundstruktur des Perzeptrons durch Implementierung seiner Schichten aufzubauen:

  1. Initialisierung der Gewichte (eine Matrix) und Biases (ein Vektor) mit Zufallswerten aus einer gleichverteilten Verteilung im Bereich [1,1)[-1, 1) unter Verwendung von NumPy.
  2. Berechnung der Roh-Ausgabewerte der Neuronen in der Methode forward() der Klasse Layer.
  3. Anwendung der Aktivierungsfunktion auf die Roh-Ausgaben in der Methode forward() der Klasse Layer und Rückgabe des Ergebnisses.
  4. Definition von drei Schichten in der Klasse Perceptron: zwei versteckte Schichten mit gleicher Neuronenzahl und eine Ausgabeschicht. Beide versteckten Schichten sollen die relu-Aktivierungsfunktion verwenden, während die Ausgabeschicht sigmoid nutzt.

Lösung

Switch to desktopWechseln Sie zum Desktop, um in der realen Welt zu übenFahren Sie dort fort, wo Sie sind, indem Sie eine der folgenden Optionen verwenden
War alles klar?

Wie können wir es verbessern?

Danke für Ihr Feedback!

Abschnitt 2. Kapitel 4
single

single

some-alt