Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Oppiskele Haaste: Neuroverkkokerroksen Luominen | Tensorit
Johdanto TensorFlow'hun

bookHaaste: 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(Wx+b)y=\sigma(W \cdot x + b)

Missä:

  • yy: neuronin ulostulo;
  • WW: matriisi, joka edustaa neuronin yhteyksiin liittyviä painoja;
  • xx: sarakematriisi (tai vektori), joka edustaa neuronin syötearvoja;
  • bb: skalaarinen arvo;
  • σ\sigma: aktivointifunktio, kuten sigmoid, ReLU tai softmax.

Parhaan suorituskyvyn saavuttamiseksi kaikki laskutoimitukset tehdään matriiseilla. Suoritamme tämän tehtävän samalla tavalla.

Tehtävä

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.

  1. Muotojen määrittäminen:

    • Syötematriisin I muodon ensimmäinen ulottuvuus edustaa erän näytteiden määrää. Kun kyseessä on yksi näyte, jossa on 3 syötettä, koko on 1x3;
    • Painomatriisin W sarakkeet edustavat kunkin neuronin syötepainoja. Kahdelle neuronille ja kolmelle syötteelle odotettu muoto on 3x2. Tämä ei ole oletuksena näin, joten sinun täytyy transponoida painomatriisi saavuttaaksesi vaaditun muodon.
  2. 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.
  3. Biasin lisääminen:

    • Suorita alkiokohtainen yhteenlasku matriisikertolaskun tulokselle ja biasille.
  4. 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

Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 10
single

single

Kysy tekoälyä

expand

Kysy tekoälyä

ChatGPT

Kysy mitä tahansa tai kokeile jotakin ehdotetuista kysymyksistä aloittaaksesi keskustelumme

Suggested prompts:

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?

close

Awesome!

Completion rate improved to 5.56

bookHaaste: 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(Wx+b)y=\sigma(W \cdot x + b)

Missä:

  • yy: neuronin ulostulo;
  • WW: matriisi, joka edustaa neuronin yhteyksiin liittyviä painoja;
  • xx: sarakematriisi (tai vektori), joka edustaa neuronin syötearvoja;
  • bb: skalaarinen arvo;
  • σ\sigma: aktivointifunktio, kuten sigmoid, ReLU tai softmax.

Parhaan suorituskyvyn saavuttamiseksi kaikki laskutoimitukset tehdään matriiseilla. Suoritamme tämän tehtävän samalla tavalla.

Tehtävä

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.

  1. Muotojen määrittäminen:

    • Syötematriisin I muodon ensimmäinen ulottuvuus edustaa erän näytteiden määrää. Kun kyseessä on yksi näyte, jossa on 3 syötettä, koko on 1x3;
    • Painomatriisin W sarakkeet edustavat kunkin neuronin syötepainoja. Kahdelle neuronille ja kolmelle syötteelle odotettu muoto on 3x2. Tämä ei ole oletuksena näin, joten sinun täytyy transponoida painomatriisi saavuttaaksesi vaaditun muodon.
  2. 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.
  3. Biasin lisääminen:

    • Suorita alkiokohtainen yhteenlasku matriisikertolaskun tulokselle ja biasille.
  4. 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

Switch to desktopVaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista
Oliko kaikki selvää?

Miten voimme parantaa sitä?

Kiitos palautteestasi!

Osio 1. Luku 10
single

single

some-alt