Leer Uitdaging: Een Perceptron Maken | Neuraal Netwerk Vanaf Nul

Aangezien het 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 is als volgt:

Taak

Swipe to start coding

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

Voltooi de initialisatie van de laag (__init__()-methode):
- Initialiseer de gewichten-matrix (vorm is (n_neurons, n_neurons));
- Initialiseer de biases-vector (vorm is (n_neurons, 1)).
Vul deze met willekeurige waarden uit een uniforme verdeling in het bereik $[-1, 1)$ . Gebruik hiervoor de functie np.random.uniform().
Voltooi de voorwaartse propagatie van de laag (forward()-methode):
- Bereken de ruwe outputwaarden van de neuronen. Gebruik de functie np.dot() voor het nemen van het inwendig product;
- Pas de activatiefunctie toe op de ruwe outputs en retourneer het resultaat.
Definieer drie lagen:
- Twee verborgen lagen: elke laag bevat hidden_size neuronen en gebruikt de relu-activatiefunctie;
- Eén outputlaag: deze gebruikt de sigmoid-activatiefunctie.

Oplossing

Was alles duidelijk?

Bedankt voor je feedback!

Sectie 2. Hoofdstuk 4

single

Vraag AI

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

Awesome!

Completion rate improved to 4

Veeg om het menu te tonen

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