Yksittäinen neuroverkkokerros

Perustason syötteestä syötteeseen -neuroverkossa neuronin kerroksen ulostulo lasketaan käyttämällä syötteiden painotettua summaa, joka kulkee aktivointifunktion läpi. Tämä voidaan esittää seuraavasti:

$y=\sigma(W \cdot x + b)$

Missä:

$y$ : neuronin ulostulo;
$W$ : matriisi, joka edustaa neuronin yhteyksiin liittyviä painoja;
$x$ : sarakematriisi (tai vektori), joka edustaa neuronin syötearvoja;
$b$ : skalaarinen arvo;
$\sigma$ : aktivointifunktio, kuten sigmoid, ReLU tai softmax.

Parhaan suorituskyvyn saavuttamiseksi kaikki laskutoimitukset suoritetaan matriiseilla. Toteutamme tämän tehtävän samalla tavalla.

Tehtävä

Swipe to start coding

Annettujen painojen, syötteiden ja biasin perusteella yksittäisen neuronikerroksen tulosteen laskeminen matriisikertolaskun ja sigmoid-aktivointifunktion avulla. Tarkastellaan kerrosta, jossa on 3 syötettä ja 2 neuronia, ja käsitellään yhtä erää, joka sisältää vain yhden näytteen.

Muotojen määrittäminen:
- Syötematriisin I ensimmäisen ulottuvuuden tulee kuvata erän näytteiden määrää. Kun kyseessä on yksi näyte ja 3 syötettä, koko on 1x3;
- Painomatriisin W sarakkeiden tulee kuvata kunkin neuronin syötepainot. Kahdelle neuronille ja kolmelle syötteelle odotettu muoto on 3x2. Tämä ei täyty automaattisesti, joten painomatriisi täytyy transponoida halutun muodon saavuttamiseksi.
Matriisikertolasku:
- Kun matriisit ovat oikeassa muodossa, suorita matriisikertolasku;
- Muista, että matriisikertolaskussa tulos saadaan ensimmäisen matriisin jokaisen rivin ja toisen matriisin jokaisen sarakkeen pistetulona. Varmista, että kertolasku tehdään oikeassa järjestyksessä.
Biasin lisääminen:
- Suorita alkiokohtainen yhteenlasku matriisikertolaskun tulokselle ja biasille.
Aktivoinnin käyttäminen:
- Käytä sigmoid-aktivointifunktiota biasin lisäämisen jälkeen saadaksesi neuronin tulosteen;
- TensorFlow tarjoaa sigmoid-funktion muodossa tf.sigmoid().

Huom

Kurssin lopussa perehdymme koko syöttö-eteenpäin -verkon toteutukseen TensorFlow'lla. Tämä harjoitus luo pohjan sille.

Ratkaisu

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 1

single

Kysy tekoälyä

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Awesome!

Completion rate improved to 6.25

Pyyhkäise näyttääksesi valikon

Yksittäinen neuroverkkokerros

$y=\sigma(W \cdot x + b)$

Missä:

$y$ : neuronin ulostulo;
$W$ : matriisi, joka edustaa neuronin yhteyksiin liittyviä painoja;
$x$ : sarakematriisi (tai vektori), joka edustaa neuronin syötearvoja;
$b$ : skalaarinen arvo;
$\sigma$ : aktivointifunktio, kuten sigmoid, ReLU tai softmax.

Parhaan suorituskyvyn saavuttamiseksi kaikki laskutoimitukset suoritetaan matriiseilla. Toteutamme tämän tehtävän samalla tavalla.

Tehtävä

Swipe to start coding

Muotojen määrittäminen:
- Syötematriisin I ensimmäisen ulottuvuuden tulee kuvata erän näytteiden määrää. Kun kyseessä on yksi näyte ja 3 syötettä, koko on 1x3;
- Painomatriisin W sarakkeiden tulee kuvata kunkin neuronin syötepainot. Kahdelle neuronille ja kolmelle syötteelle odotettu muoto on 3x2. Tämä ei täyty automaattisesti, joten painomatriisi täytyy transponoida halutun muodon saavuttamiseksi.
Matriisikertolasku:
- Kun matriisit ovat oikeassa muodossa, suorita matriisikertolasku;
- Muista, että matriisikertolaskussa tulos saadaan ensimmäisen matriisin jokaisen rivin ja toisen matriisin jokaisen sarakkeen pistetulona. Varmista, että kertolasku tehdään oikeassa järjestyksessä.
Biasin lisääminen:
- Suorita alkiokohtainen yhteenlasku matriisikertolaskun tulokselle ja biasille.
Aktivoinnin käyttäminen:
- Käytä sigmoid-aktivointifunktiota biasin lisäämisen jälkeen saadaksesi neuronin tulosteen;
- TensorFlow tarjoaa sigmoid-funktion muodossa tf.sigmoid().

Huom

Kurssin lopussa perehdymme koko syöttö-eteenpäin -verkon toteutukseen TensorFlow'lla. Tämä harjoitus luo pohjan sille.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 1

single

Neuroverkkokerroksen Luominen

Yksittäinen neuroverkkokerros

Ratkaisu

Awesome!

Neuroverkkokerroksen Luominen

Yksittäinen neuroverkkokerros

Ratkaisu