Desafío: Creación de una Capa de Red Neuronal
Capa Única de Red Neuronal
En una red neuronal feed-forward básica, la salida de una neurona en una capa se calcula utilizando la suma ponderada de sus entradas, pasada a través de una función de activación. Esto se puede representar como:
y=σ(W⋅x+b)
Donde:
- y: salida de la neurona;
- W: una matriz que representa los pesos asociados a las conexiones con la neurona;
- x: una matriz columna (o vector) que representa los valores de entrada a la neurona;
- b: un valor escalar;
- σ: una función de activación, como la función sigmoide, ReLU o softmax.
Para lograr el mejor rendimiento, todos los cálculos se realizan utilizando matrices. Abordaremos esta tarea de la misma manera.
Swipe to start coding
Dadas las ponderaciones, entradas y sesgo para una capa de una sola neurona, calcula su salida utilizando multiplicación de matrices y la función de activación sigmoide. Considera una capa con 3 entradas y 2 neuronas, tomando un solo lote que contiene solo una muestra.
-
Determinación de formas:
- La forma de la matriz de entrada
Idebe tener su primera dimensión representando el número de muestras en el lote. Dada una muestra con 3 entradas, su tamaño será1x3; - La matriz de pesos
Wdebe tener sus columnas representando los pesos de entrada para cada neurona. Así que para 2 neuronas con 3 entradas, la forma esperada es3x2. Esto no es el caso, por lo que necesitas transponer la matriz de pesos para lograr la forma requerida.
- La forma de la matriz de entrada
-
Multiplicación de matrices:
- Con las matrices en la forma correcta, realiza la multiplicación de matrices;
- Recuerda que en la multiplicación de matrices, la salida se deriva del producto punto de cada fila de la primera matriz con cada columna de la segunda matriz. Asegúrate de multiplicar en el orden correcto.
-
Adición de sesgo:
- Simplemente realiza una suma elemento a elemento del resultado de la multiplicación de matrices con el sesgo.
-
Aplicación de la activación:
- Utiliza la función de activación sigmoide sobre el resultado de la suma del sesgo para obtener la salida de la neurona;
- TensorFlow proporciona la función sigmoide como
tf.sigmoid().
Nota
Al final del curso profundizaremos en la implementación de una red de avance completo utilizando TensorFlow. Este ejercicio sienta las bases para ello.
Solución
¡Gracias por tus comentarios!
single
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 5.56Desafío: Creación de una Capa de Red Neuronal
Desliza para mostrar el menú
Capa Única de Red Neuronal
En una red neuronal feed-forward básica, la salida de una neurona en una capa se calcula utilizando la suma ponderada de sus entradas, pasada a través de una función de activación. Esto se puede representar como:
y=σ(W⋅x+b)
Donde:
- y: salida de la neurona;
- W: una matriz que representa los pesos asociados a las conexiones con la neurona;
- x: una matriz columna (o vector) que representa los valores de entrada a la neurona;
- b: un valor escalar;
- σ: una función de activación, como la función sigmoide, ReLU o softmax.
Para lograr el mejor rendimiento, todos los cálculos se realizan utilizando matrices. Abordaremos esta tarea de la misma manera.
Swipe to start coding
Dadas las ponderaciones, entradas y sesgo para una capa de una sola neurona, calcula su salida utilizando multiplicación de matrices y la función de activación sigmoide. Considera una capa con 3 entradas y 2 neuronas, tomando un solo lote que contiene solo una muestra.
-
Determinación de formas:
- La forma de la matriz de entrada
Idebe tener su primera dimensión representando el número de muestras en el lote. Dada una muestra con 3 entradas, su tamaño será1x3; - La matriz de pesos
Wdebe tener sus columnas representando los pesos de entrada para cada neurona. Así que para 2 neuronas con 3 entradas, la forma esperada es3x2. Esto no es el caso, por lo que necesitas transponer la matriz de pesos para lograr la forma requerida.
- La forma de la matriz de entrada
-
Multiplicación de matrices:
- Con las matrices en la forma correcta, realiza la multiplicación de matrices;
- Recuerda que en la multiplicación de matrices, la salida se deriva del producto punto de cada fila de la primera matriz con cada columna de la segunda matriz. Asegúrate de multiplicar en el orden correcto.
-
Adición de sesgo:
- Simplemente realiza una suma elemento a elemento del resultado de la multiplicación de matrices con el sesgo.
-
Aplicación de la activación:
- Utiliza la función de activación sigmoide sobre el resultado de la suma del sesgo para obtener la salida de la neurona;
- TensorFlow proporciona la función sigmoide como
tf.sigmoid().
Nota
Al final del curso profundizaremos en la implementación de una red de avance completo utilizando TensorFlow. Este ejercicio sienta las bases para ello.
Solución
Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones¡Gracias por tus comentarios!
single
