Rate this post

Mạng nơ-ron nhân tạo là các mô hình tính toán được lấy cảm hứng từ mạng nơ-ron sinh học và nó bao gồm một số lượng lớn các phần tử xử lý có tính kết nối cao được gọi là nơ-ron.

ANN (Mạng nơ ron nhân tạo) được định cấu hình cho một ứng dụng cụ thể, chẳng hạn như nhận dạng mẫu hoặc phân loại dữ liệu.

Các bài viết liên quan:

Nó có thể lấy được ý nghĩa từ dữ liệu phức tạp hoặc không chính xác.

Nó trích xuất các mẫu và phát hiện các xu hướng quá phức tạp để có thể nhận thấy bởi con người hoặc các kỹ thuật máy tính khác.

Transfer Function

Hoạt động của ANN (Mạng nơron nhân tạo) phụ thuộc vào cả trọng số và chức năng đầu vào-đầu ra, được chỉ định cho đơn vị. Chức năng này thuộc một trong ba loại sau:

  • Linear (or ramp)
  • Threshold
  • Sigmoid

Linear units: Hoạt động đầu ra tỷ lệ với tổng sản lượng có trọng số theo đơn vị tuyến tính.

Threshold: Đầu ra được đặt ở một trong hai mức, tùy thuộc vào việc tổng đầu vào lớn hơn hay nhỏ hơn một số giá trị ngưỡng.

Sigmoid: Đầu ra thay đổi liên tục nhưng không tuyến tính khi đầu vào thay đổi. Các đơn vị Sigmoid có sự tương đồng đáng kể với tế bào thần kinh thực hơn là các đơn vị tuyến tính hoặc ngưỡng, nhưng cả ba đơn vị này phải được coi là xấp xỉ thô.

Dưới đây là mã mà chúng tôi phân loại mạng nơ-ron.

Đầu tiên, chúng tôi thực hiện một hàm kích hoạt để chúng tôi phải vẽ biểu đồ dưới dạng POPC và tạo ra hàm sigmoid, đây là một hàm kích hoạt dễ dàng sử dụng Z để tạo ra sigmoid.

Sau đó, chúng tôi thực hiện hoạt động kế thừa sigmoid. Vì vậy, chúng ta hãy xem một ví dụ phân loại và sikat learning có một chức năng và khả năng hữu ích để tạo tập dữ liệu cho chúng ta. Và sau đó chúng tôi sẽ nói rằng dữ liệu của tôi ngang bằng để tạo ra các đốm màu. Nó chỉ tạo ra một vài đốm màu ở đó mà chúng ta có thể phân loại. Vì vậy, chúng tôi phải tạo 50 mẫu và số lượng tính năng cho một trạng thái sẽ tạo ra hai đốm màu, vì vậy đây chỉ là một bài toán phân loại nhị phân.

Bây giờ, chúng ta phải tạo biểu đồ phân tán của các đặc trưng cho tất cả các hàng trong cột 0 và vì vậy nếu chúng ta tạo biểu đồ phân tán của hai đốm màu đặc biệt và có thể phân loại hai lớp có khả năng phân tách cao này.

Ở đây, chúng ta sẽ xây dựng một ma trận của một cái đó là ma trận của một trong hai. Và sau đó, chúng tôi chuyển điều đó vào hàm sigmoid của chúng tôi, nói sigmoid Z vì điều đó nhất thiết sẽ xuất ra là 0 hoặc 1 đối với chúng tôi vì chúng tôi đang phân loại chúng dựa trên việc nó là tích cực hay tiêu cực.

Đầu vào càng tích cực, mô hình của chúng ta càng chắc chắn rằng nó thuộc về một lớp.

Vì vậy, bây giờ chúng tôi đã có thể sử dụng thành công các chức năng kích hoạt các biến số chỗ dành sẵn đối tượng đồ thị của chúng tôi đối với sự suy thoái và có thể thực hiện một phân loại rất đơn giản. Và hy vọng rằng chúng ta sẽ sớm biết cách thực hiện việc này theo cách thủ công, nó sẽ giúp việc học tập trôi chảy và dễ dàng hơn trong việc thực hiện tất cả các chức năng cần thiết với TensorFlow.

Trong các chủ đề tiếp theo, chúng ta sẽ tìm hiểu về các khái niệm cơ bản về TensorFlow.

Trả lời

Email của bạn sẽ không được hiển thị công khai. Các trường bắt buộc được đánh dấu *

Contact Me on Zalo
Call now