Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Lære Utfordring: Opprette et Nevralt Nettverkslag | Tensores
Introduksjon til TensorFlow

bookUtfordring: Opprette et Nevralt Nettverkslag

Enkelt nevralt nettverkslag

I et grunnleggende fremovermatet nevralt nettverk beregnes utdataene fra et nevron i et lag ved hjelp av vektet sum av inngangene, som deretter sendes gjennom en aktiveringsfunksjon. Dette kan representeres som:

y=σ(Wx+b)y=\sigma(W \cdot x + b)

Hvor:

  • yy: utdata fra nevronet;
  • WW: en matrise som representerer vektene tilkoblet nevronet;
  • xx: en kolonnematrise (eller vektor) som representerer inngangsverdiene til nevronet;
  • bb: en skalarverdi;
  • σ\sigma: en aktiveringsfunksjon, som sigmoid, ReLU eller softmax-funksjonen.

For å oppnå best mulig ytelse utføres alle beregninger ved hjelp av matriser. Vi vil løse denne oppgaven på samme måte.

Oppgave

Swipe to start coding

Gitt vekter, input og bias for et enkelt nevronlag, beregn utdataene ved hjelp av matrise-multiplikasjon og sigmoid aktiveringsfunksjon. Tenk deg et lag med 3 input og 2 nevroner, hvor det behandles en enkelt batch med kun én prøve.

  1. Bestemme former:

    • Formen til inputmatrisen I skal ha sin første dimensjon som representerer antall prøver i batchen. Med én prøve og 3 input vil størrelsen være 1x3;
    • Vektmatrisen W skal ha kolonner som representerer inputvekter for hvert nevron. For 2 nevroner med 3 input er forventet form 3x2. Dette er ikke tilfellet, så du må transponere vektmatrisen for å oppnå ønsket form.
  2. Matrise-multiplikasjon:

    • Når matrisene har riktig form, utfør matrise-multiplikasjon;
    • Husk at i matrise-multiplikasjon beregnes utdataene fra prikkproduktet av hver rad i den første matrisen med hver kolonne i den andre matrisen. Sørg for å multiplisere i riktig rekkefølge.
  3. Bias-addisjon:

    • Utfør en elementvis addisjon av resultatet fra matrise-multiplikasjonen med bias.
  4. Aktivering:

    • Bruk sigmoid aktiveringsfunksjon på resultatet fra bias-addisjonen for å få utdataene fra nevronet;
    • TensorFlow tilbyr sigmoid-funksjonen som tf.sigmoid().

Merk

På slutten av kurset vil vi gå nærmere inn på å implementere et komplett feed-forward nettverk med TensorFlow. Denne øvelsen legger grunnlaget for det.

Løsning

Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 10
single

single

Spør AI

expand

Spør AI

ChatGPT

Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår

close

Awesome!

Completion rate improved to 5.56

bookUtfordring: Opprette et Nevralt Nettverkslag

Sveip for å vise menyen

Enkelt nevralt nettverkslag

I et grunnleggende fremovermatet nevralt nettverk beregnes utdataene fra et nevron i et lag ved hjelp av vektet sum av inngangene, som deretter sendes gjennom en aktiveringsfunksjon. Dette kan representeres som:

y=σ(Wx+b)y=\sigma(W \cdot x + b)

Hvor:

  • yy: utdata fra nevronet;
  • WW: en matrise som representerer vektene tilkoblet nevronet;
  • xx: en kolonnematrise (eller vektor) som representerer inngangsverdiene til nevronet;
  • bb: en skalarverdi;
  • σ\sigma: en aktiveringsfunksjon, som sigmoid, ReLU eller softmax-funksjonen.

For å oppnå best mulig ytelse utføres alle beregninger ved hjelp av matriser. Vi vil løse denne oppgaven på samme måte.

Oppgave

Swipe to start coding

Gitt vekter, input og bias for et enkelt nevronlag, beregn utdataene ved hjelp av matrise-multiplikasjon og sigmoid aktiveringsfunksjon. Tenk deg et lag med 3 input og 2 nevroner, hvor det behandles en enkelt batch med kun én prøve.

  1. Bestemme former:

    • Formen til inputmatrisen I skal ha sin første dimensjon som representerer antall prøver i batchen. Med én prøve og 3 input vil størrelsen være 1x3;
    • Vektmatrisen W skal ha kolonner som representerer inputvekter for hvert nevron. For 2 nevroner med 3 input er forventet form 3x2. Dette er ikke tilfellet, så du må transponere vektmatrisen for å oppnå ønsket form.
  2. Matrise-multiplikasjon:

    • Når matrisene har riktig form, utfør matrise-multiplikasjon;
    • Husk at i matrise-multiplikasjon beregnes utdataene fra prikkproduktet av hver rad i den første matrisen med hver kolonne i den andre matrisen. Sørg for å multiplisere i riktig rekkefølge.
  3. Bias-addisjon:

    • Utfør en elementvis addisjon av resultatet fra matrise-multiplikasjonen med bias.
  4. Aktivering:

    • Bruk sigmoid aktiveringsfunksjon på resultatet fra bias-addisjonen for å få utdataene fra nevronet;
    • TensorFlow tilbyr sigmoid-funksjonen som tf.sigmoid().

Merk

På slutten av kurset vil vi gå nærmere inn på å implementere et komplett feed-forward nettverk med TensorFlow. Denne øvelsen legger grunnlaget for det.

Løsning

Switch to desktopBytt til skrivebordet for virkelighetspraksisFortsett der du er med et av alternativene nedenfor
Alt var klart?

Hvordan kan vi forbedre det?

Takk for tilbakemeldingene dine!

Seksjon 1. Kapittel 10
single

single

some-alt