Eftersom målet är att implementera en **flerskiktsperceptron** kommer skapandet av en `Perceptron`-klass att förenkla modellinitieringen. Dess enda **attribut**, `layers`, är i huvudsak en lista av `Layer`-objekt som definierar nätverkets struktur:

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

Variablerna som används för att initiera lagren är följande:

- `input_size`: antalet **inmatningsfunktioner**;
- `hidden_size`: antalet neuroner i **varje dolt lager** (båda dolda lagren kommer i detta fall att ha samma antal neuroner);
- `output_size`: antalet neuroner i **utgångslagret**.

Strukturen för den resulterande perceptronen bör vara enligt följande:

Neurala nätverk är kraftfulla algoritmer inspirerade av den mänskliga hjärnans struktur som används för att lösa komplexa maskininlärningsproblem. Du kommer att bygga ditt eget neurala nätverk från grunden för att förstå hur det fungerar. Efter denna kurs kommer du att kunna skapa neurala nätverk för att lösa klassificerings- och regressionsproblem med hjälp av scikit-learn-biblioteket.

Först kommer vi att diskutera vad ett neuralt nätverk är och hur det fungerar. Vi kommer även att överväga dess användningsområden.

Därefter kommer vi att försöka bygga vårt eget neuronnätverk och se hur effektivt det klarar av inlärning. Vi kommer även att titta på en färdig lösning från scikit-learn-biblioteket.

Slutligen kommer vi att ge dig ytterligare användbar information om hur du kan förstå vilken modell som ska användas och vilka typer av neurala nätverk som finns. För att slutföra kursen kommer dina förvärvade kunskaper att testas.

Utmaning: Skapa en Perceptron

Lösning

Awesome!

Utmaning: Skapa en Perceptron

Lösning