Haaste: Neuroverkkokerroksen Luominen
Yksittäinen neuroverkkokerros
Perustason syötteestä eteenpäin kulkevassa neuroverkossa kerroksen neuronin ulostulo lasketaan käyttämällä syötteiden painotettua summaa, joka kulkee aktivointifunktion läpi. Tämä voidaan esittää seuraavasti:
y=σ(W⋅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;
- σ: aktivointifunktio, kuten sigmoid, ReLU tai softmax.
Parhaan suorituskyvyn saavuttamiseksi kaikki laskutoimitukset tehdään matriiseilla. Suoritamme tämän tehtävän samalla tavalla.
Swipe to start coding
Annettujen painojen, syötteiden ja biasin perusteella yksittäiselle neuronikerrokselle, laske sen ulostulo matriisikertolaskun ja sigmoid-aktivointifunktion avulla. Tarkastellaan kerrosta, jossa on 3 syötettä ja 2 neuronia, ja käsitellään yksi erä, joka sisältää vain yhden näytteen.
-
Muotojen määrittäminen:
- Syötematriisin
I
muodon ensimmäinen ulottuvuus edustaa erän näytteiden määrää. Kun kyseessä on yksi näyte, jossa on 3 syötettä, koko on1x3
; - Painomatriisin
W
sarakkeet edustavat kunkin neuronin syötepainoja. Kahdelle neuronille ja kolmelle syötteelle odotettu muoto on3x2
. Tämä ei ole oletuksena näin, joten sinun täytyy transponoida painomatriisi saavuttaaksesi vaaditun muodon.
- Syötematriisin
-
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 kerrot oikeassa järjestyksessä.
-
Biasin lisääminen:
- Suorita alkiokohtainen yhteenlasku matriisikertolaskun tulokselle ja biasille.
-
Aktivoinnin käyttäminen:
- Käytä sigmoid-aktivointifunktiota biasin lisäämisen jälkeen saadaksesi neuronin ulostulon;
- TensorFlow tarjoaa sigmoid-funktion nimellä
tf.sigmoid()
.
Huom
Kurssin lopussa perehdymme koko syöttöverkoston toteuttamiseen TensorFlow'lla. Tämä harjoitus luo pohjan sille.
Ratkaisu
Kiitos palautteestasi!
single
Kysy tekoälyä
Kysy tekoälyä
Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme
Can you explain why we need to transpose the weight matrix?
What is the purpose of the bias in this calculation?
How does the sigmoid activation function affect the output?
Awesome!
Completion rate improved to 5.56
Haaste: Neuroverkkokerroksen Luominen
Pyyhkäise näyttääksesi valikon
Yksittäinen neuroverkkokerros
Perustason syötteestä eteenpäin kulkevassa neuroverkossa kerroksen neuronin ulostulo lasketaan käyttämällä syötteiden painotettua summaa, joka kulkee aktivointifunktion läpi. Tämä voidaan esittää seuraavasti:
y=σ(W⋅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;
- σ: aktivointifunktio, kuten sigmoid, ReLU tai softmax.
Parhaan suorituskyvyn saavuttamiseksi kaikki laskutoimitukset tehdään matriiseilla. Suoritamme tämän tehtävän samalla tavalla.
Swipe to start coding
Annettujen painojen, syötteiden ja biasin perusteella yksittäiselle neuronikerrokselle, laske sen ulostulo matriisikertolaskun ja sigmoid-aktivointifunktion avulla. Tarkastellaan kerrosta, jossa on 3 syötettä ja 2 neuronia, ja käsitellään yksi erä, joka sisältää vain yhden näytteen.
-
Muotojen määrittäminen:
- Syötematriisin
I
muodon ensimmäinen ulottuvuus edustaa erän näytteiden määrää. Kun kyseessä on yksi näyte, jossa on 3 syötettä, koko on1x3
; - Painomatriisin
W
sarakkeet edustavat kunkin neuronin syötepainoja. Kahdelle neuronille ja kolmelle syötteelle odotettu muoto on3x2
. Tämä ei ole oletuksena näin, joten sinun täytyy transponoida painomatriisi saavuttaaksesi vaaditun muodon.
- Syötematriisin
-
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 kerrot oikeassa järjestyksessä.
-
Biasin lisääminen:
- Suorita alkiokohtainen yhteenlasku matriisikertolaskun tulokselle ja biasille.
-
Aktivoinnin käyttäminen:
- Käytä sigmoid-aktivointifunktiota biasin lisäämisen jälkeen saadaksesi neuronin ulostulon;
- TensorFlow tarjoaa sigmoid-funktion nimellä
tf.sigmoid()
.
Huom
Kurssin lopussa perehdymme koko syöttöverkoston toteuttamiseen TensorFlow'lla. Tämä harjoitus luo pohjan sille.
Ratkaisu
Kiitos palautteestasi!
single