Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Leer Uitdaging: Een Perceptron Maken | Neuraal Netwerk Vanaf Nul
Introductie tot Neurale Netwerken

bookUitdaging: Een Perceptron Maken

Aangezien ons doel is om een multilayer perceptron te implementeren, zal het aanmaken van een Perceptron-klasse het initialiseren van het model vereenvoudigen. Het enige attribuut, layers, is in wezen een lijst van Layer-objecten die de structuur van het netwerk bepalen:

class Perceptron:
    def __init__(self, layers):
        self.layers = layers

De variabelen die worden gebruikt om de lagen te initialiseren zijn als volgt:

  • input_size: het aantal invoerfeatures;
  • hidden_size: het aantal neuronen in elke verborgen laag (beide verborgen lagen hebben in dit geval hetzelfde aantal neuronen);
  • output_size: het aantal neuronen in de uitvoerlaag.

De structuur van de resulterende perceptron moet als volgt zijn:

Taak

Swipe to start coding

Het doel is om de basisstructuur van de perceptron op te zetten door de lagen te implementeren:

  1. Initialiseer de gewichten (een matrix) en biases (een vector) met willekeurige waarden uit een uniforme verdeling in het bereik [1,1)[-1, 1) met behulp van NumPy.
  2. Bereken de ruwe outputwaarden van de neuronen in de forward()-methode van de Layer-klasse.
  3. Pas de activatiefunctie toe op de ruwe outputs in de forward()-methode van de Layer-klasse en retourneer het resultaat.
  4. Definieer drie lagen in de Perceptron-klasse: twee verborgen lagen met hetzelfde aantal neuronen en één outputlaag. Beide verborgen lagen gebruiken de relu-activatiefunctie, terwijl de outputlaag sigmoid gebruikt.

Oplossing

Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 4
single

single

Vraag AI

expand

Vraag AI

ChatGPT

Vraag wat u wilt of probeer een van de voorgestelde vragen om onze chat te starten.

close

Awesome!

Completion rate improved to 4

bookUitdaging: Een Perceptron Maken

Veeg om het menu te tonen

Aangezien ons doel is om een multilayer perceptron te implementeren, zal het aanmaken van een Perceptron-klasse het initialiseren van het model vereenvoudigen. Het enige attribuut, layers, is in wezen een lijst van Layer-objecten die de structuur van het netwerk bepalen:

class Perceptron:
    def __init__(self, layers):
        self.layers = layers

De variabelen die worden gebruikt om de lagen te initialiseren zijn als volgt:

  • input_size: het aantal invoerfeatures;
  • hidden_size: het aantal neuronen in elke verborgen laag (beide verborgen lagen hebben in dit geval hetzelfde aantal neuronen);
  • output_size: het aantal neuronen in de uitvoerlaag.

De structuur van de resulterende perceptron moet als volgt zijn:

Taak

Swipe to start coding

Het doel is om de basisstructuur van de perceptron op te zetten door de lagen te implementeren:

  1. Initialiseer de gewichten (een matrix) en biases (een vector) met willekeurige waarden uit een uniforme verdeling in het bereik [1,1)[-1, 1) met behulp van NumPy.
  2. Bereken de ruwe outputwaarden van de neuronen in de forward()-methode van de Layer-klasse.
  3. Pas de activatiefunctie toe op de ruwe outputs in de forward()-methode van de Layer-klasse en retourneer het resultaat.
  4. Definieer drie lagen in de Perceptron-klasse: twee verborgen lagen met hetzelfde aantal neuronen en één outputlaag. Beide verborgen lagen gebruiken de relu-activatiefunctie, terwijl de outputlaag sigmoid gebruikt.

Oplossing

Switch to desktopSchakel over naar desktop voor praktijkervaringGa verder vanaf waar je bent met een van de onderstaande opties
Was alles duidelijk?

Hoe kunnen we het verbeteren?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 4
single

single

some-alt