Défi : Créer une Couche de Réseau Neuronal

Couche de Réseau Neuronal Unique

Dans un réseau neuronal à propagation avant de base, la sortie d'un neurone dans une couche est calculée en utilisant la somme pondérée de ses entrées, passée à travers une fonction d'activation. Cela peut être représenté comme suit :

output = activation(inputs * weights + bias)

Où :

weights : Une matrice représentant les poids associés aux connexions vers le neurone ;
inputs : Une matrice colonne (ou vecteur) représentant les valeurs d'entrée du neurone ;
bias : Une valeur scalaire ;
activation : Une fonction d'activation, telle que la fonction sigmoïde.

Pour obtenir les meilleures performances, tous les calculs sont effectués en utilisant des matrices. Nous allons aborder cette tâche de la même manière.

Tâche

Swipe to start coding

Étant donné les poids, les entrées et le biais pour une couche de neurone 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 Formes :
- La forme de la matrice d'entrée I doit avoir sa première dimension représentant le nombre d'échantillons dans le lot. Étant donné un échantillon avec 3 entrées, sa taille sera 1x3.
- La matrice de poids W doit avoir ses colonnes représentant les poids d'entrée pour chaque neurone. Donc pour 2 neurones avec 3 entrées, la forme attendue est 3x2. Ce n'est pas le cas, vous devez donc transposer la matrice de poids pour obtenir la forme requise.
Multiplication Matricielle :
- Avec les matrices dans la bonne forme, effectuez la multiplication matricielle.
- Rappelez-vous que dans la multiplication matricielle, la sortie est dérivée 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 de 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'ajout de biais pour obtenir la sortie du neurone.
- TensorFlow fournit la fonction sigmoïde sous la forme tf.sigmoid().

Remarque

À la fin du cours, nous approfondirons la mise en œuvre d'un réseau feed-forward complet en utilisant TensorFlow. Cet exercice pose les bases pour cela.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 10

Défi : Créer une Couche de Réseau Neuronal

Couche de Réseau Neuronal Unique

output = activation(inputs * weights + bias)

Où :

weights : Une matrice représentant les poids associés aux connexions vers le neurone ;
inputs : Une matrice colonne (ou vecteur) représentant les valeurs d'entrée du neurone ;
bias : Une valeur scalaire ;
activation : Une fonction d'activation, telle que la fonction sigmoïde.

Pour obtenir les meilleures performances, tous les calculs sont effectués en utilisant des matrices. Nous allons aborder cette tâche de la même manière.

Tâche

Swipe to start coding

Détermination des Formes :
- La forme de la matrice d'entrée I doit avoir sa première dimension représentant le nombre d'échantillons dans le lot. Étant donné un échantillon avec 3 entrées, sa taille sera 1x3.
- La matrice de poids W doit avoir ses colonnes représentant les poids d'entrée pour chaque neurone. Donc pour 2 neurones avec 3 entrées, la forme attendue est 3x2. Ce n'est pas le cas, vous devez donc transposer la matrice de poids pour obtenir la forme requise.
Multiplication Matricielle :
- Avec les matrices dans la bonne forme, effectuez la multiplication matricielle.
- Rappelez-vous que dans la multiplication matricielle, la sortie est dérivée 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 de 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'ajout de biais pour obtenir la sortie du neurone.
- TensorFlow fournit la fonction sigmoïde sous la forme tf.sigmoid().

Remarque

À la fin du cours, nous approfondirons la mise en œuvre d'un réseau feed-forward complet en utilisant TensorFlow. Cet exercice pose les bases pour cela.

Solution

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous

Tout était clair ?

Merci pour vos commentaires !

Section 1. Chapitre 10

Passez à un bureau pour une pratique réelleContinuez d'où vous êtes en utilisant l'une des options ci-dessous