Per ora, vogliamo costruire una rete neurale con un solo neurone. Ad esempio, supponiamo di utilizzarla per un compito di classificazione binaria, come il rilevamento dello spam, dove 0 rappresenta una email ham (non spam) e 1 rappresenta una email spam.

Il neurone riceverà come input caratteristiche numeriche relative alle email e produrrà un output compreso tra 0 e 1, rappresentando la probabilità che una email sia spam.

Ecco cosa succede passo dopo passo:

1. Ogni input viene moltiplicato per un peso corrispondente. I pesi sono parametri apprendibili che determinano l'importanza di ciascun input;
2. Tutti gli input pesati vengono sommati;
3. Un parametro aggiuntivo chiamato bias viene aggiunto alla somma degli input. Il bias consente al neurone di spostare il proprio output verso l'alto o verso il basso, fornendo flessibilità al modello;
4. La somma degli input viene quindi passata attraverso una funzione di attivazione. Poiché abbiamo un solo neurone, che produce direttamente l'output finale (una probabilità), utilizzeremo la funzione sigmoide, che comprime i valori nell'intervallo $(0, 1)$.

Classe Neurone

Un neurone deve memorizzare i propri pesi e bias, rendendo la classe un modo naturale per raggruppare queste proprietà correlate.

class Neuron:
    def __init__(self, n_inputs):  
        self.weights = ...
        self.bias = ...

• weights: un elenco di valori inizializzati casualmente che determinano quanto sia importante ciascun input (n_inputs è il numero di input) per il neurone;
• bias: un valore inizializzato casualmente che aiuta il neurone a prendere decisioni più flessibili.

I pesi e il bias devono essere inizializzati casualmente con valori piccoli compresi tra -1 e 1, estratti da una distribuzione uniforme, per rompere la simmetria e garantire che neuroni diversi apprendano caratteristiche differenti.

In sintesi, NumPy fornisce la funzione random.uniform() per generare un numero casuale o un array (specificando l'argomento size) di numeri casuali da una distribuzione uniforme nell'intervallo [low, high).

import numpy as np

np.random.uniform(low, high, size=...)

Propagazione in avanti

Inoltre, la classe Neuron dovrebbe includere un metodo activate(), che calcola la somma pesata degli input e applica la funzione di attivazione (sigmoide nel nostro caso).

Infatti, se abbiamo due vettori della stessa lunghezza (weights e inputs), la somma pesata può essere calcolata utilizzando il prodotto scalare di questi vettori:

Questo permette di calcolare la somma pesata in una sola riga di codice utilizzando la funzione numpy.dot(), eliminando la necessità di un ciclo. Il bias può quindi essere aggiunto direttamente al risultato per ottenere input_sum_with_bias. L'output viene poi calcolato applicando la funzione di attivazione sigmoide:

def activate(self, inputs):
    input_sum_with_bias = ...
    output = ...

    return output

Funzioni di Attivazione

La formula per la funzione sigmoide è la seguente, dove $z$ rappresenta la somma pesata degli input con il bias aggiunto (valore di output grezzo) per questo particolare neurone:

Utilizzando questa formula, la sigmoide può essere implementata come una semplice funzione in Python:

def sigmoid(z):
    return 1 / (1 + np.exp(-z))

La formula per la funzione ReLU è la seguente, che sostanzialmente imposta l'output uguale a $z$ se è positivo e 0 altrimenti:

def relu(z):
    return np.maximum(0, z)