Défi : Création d'une Couche de Réseau Neuronal
Couche unique de réseau de neurones
Dans un réseau de neurones à propagation avant basique, la sortie d’un neurone dans une couche est calculée à l’aide de la somme pondérée de ses entrées, passée à travers une fonction d’activation. Cela peut être représenté par :
y=σ(W⋅x+b)
Où :
- y : sortie du neurone ;
- W : matrice représentant les poids associés aux connexions du neurone ;
- x : matrice colonne (ou vecteur) représentant les valeurs d’entrée du neurone ;
- b : valeur scalaire ;
- σ : fonction d’activation, telle que la fonction sigmoïde, ReLU ou softmax.
Pour obtenir les meilleures performances, tous les calculs sont effectués à l’aide de matrices. Nous allons aborder cette tâche de la même manière.
Swipe to start coding
Étant donné les poids, les entrées et le biais pour une couche de neurones unique, calculez sa sortie en utilisant la multiplication matricielle et la fonction d'activation sigmoïde. Considérez une couche avec 3 entrées et 2 neurones, prenant un seul lot contenant un seul échantillon.
-
Détermination des dimensions :
- La forme de la matrice d'entrée
I
doit avoir sa première dimension représentant le nombre d'échantillons dans le lot. Avec un échantillon ayant 3 entrées, sa taille sera1x3
; - La matrice de poids
W
doit avoir ses colonnes représentant les poids d'entrée pour chaque neurone. Ainsi, pour 2 neurones avec 3 entrées, la forme attendue est3x2
. Ce n'est pas le cas, donc vous devez transposer la matrice de poids pour obtenir la forme requise.
- La forme de la matrice d'entrée
-
Multiplication matricielle :
- Avec les matrices dans la bonne forme, effectuez la multiplication matricielle ;
- Rappelez-vous que lors d'une multiplication matricielle, la sortie est obtenue à partir du produit scalaire de chaque ligne de la première matrice avec chaque colonne de la seconde matrice. Assurez-vous de multiplier dans le bon ordre.
-
Ajout du biais :
- Effectuez simplement une addition élément par élément du résultat de la multiplication matricielle avec le biais.
-
Application de l'activation :
- Utilisez la fonction d'activation sigmoïde sur le résultat de l'addition du biais pour obtenir la sortie du neurone ;
- TensorFlow fournit la fonction sigmoïde sous la forme
tf.sigmoid()
.
Remarque
À la fin du cours, nous aborderons la mise en œuvre d'un réseau feed-forward complet avec TensorFlow. Cet exercice pose les bases pour cela.
Solution
Merci pour vos commentaires !
single
Demandez à l'IA
Demandez à l'IA
Posez n'importe quelle question ou essayez l'une des questions suggérées pour commencer notre discussion
Awesome!
Completion rate improved to 5.56
Défi : Création d'une Couche de Réseau Neuronal
Glissez pour afficher le menu
Couche unique de réseau de neurones
Dans un réseau de neurones à propagation avant basique, la sortie d’un neurone dans une couche est calculée à l’aide de la somme pondérée de ses entrées, passée à travers une fonction d’activation. Cela peut être représenté par :
y=σ(W⋅x+b)
Où :
- y : sortie du neurone ;
- W : matrice représentant les poids associés aux connexions du neurone ;
- x : matrice colonne (ou vecteur) représentant les valeurs d’entrée du neurone ;
- b : valeur scalaire ;
- σ : fonction d’activation, telle que la fonction sigmoïde, ReLU ou softmax.
Pour obtenir les meilleures performances, tous les calculs sont effectués à l’aide de matrices. Nous allons aborder cette tâche de la même manière.
Swipe to start coding
Étant donné les poids, les entrées et le biais pour une couche de neurones unique, calculez sa sortie en utilisant la multiplication matricielle et la fonction d'activation sigmoïde. Considérez une couche avec 3 entrées et 2 neurones, prenant un seul lot contenant un seul échantillon.
-
Détermination des dimensions :
- La forme de la matrice d'entrée
I
doit avoir sa première dimension représentant le nombre d'échantillons dans le lot. Avec un échantillon ayant 3 entrées, sa taille sera1x3
; - La matrice de poids
W
doit avoir ses colonnes représentant les poids d'entrée pour chaque neurone. Ainsi, pour 2 neurones avec 3 entrées, la forme attendue est3x2
. Ce n'est pas le cas, donc vous devez transposer la matrice de poids pour obtenir la forme requise.
- La forme de la matrice d'entrée
-
Multiplication matricielle :
- Avec les matrices dans la bonne forme, effectuez la multiplication matricielle ;
- Rappelez-vous que lors d'une multiplication matricielle, la sortie est obtenue à partir du produit scalaire de chaque ligne de la première matrice avec chaque colonne de la seconde matrice. Assurez-vous de multiplier dans le bon ordre.
-
Ajout du biais :
- Effectuez simplement une addition élément par élément du résultat de la multiplication matricielle avec le biais.
-
Application de l'activation :
- Utilisez la fonction d'activation sigmoïde sur le résultat de l'addition du biais pour obtenir la sortie du neurone ;
- TensorFlow fournit la fonction sigmoïde sous la forme
tf.sigmoid()
.
Remarque
À la fin du cours, nous aborderons la mise en œuvre d'un réseau feed-forward complet avec TensorFlow. Cet exercice pose les bases pour cela.
Solution
Merci pour vos commentaires !
single