Rate this post

Perceptron là một neuron Network có một lớp, hay chúng ta có tên gọi khác là neueron network là một perceptron nhiều lớp. Perceptron là một bộ classification nhị phân và nó được sử dụng trong việc supervised learning. Một mô hình đơn giản của nơ-ron sinh học trong mạng nơ-ron nhân tạo được gọi là Perceptron.

Một hàm có thể quyết định xem đầu vào được biểu thị bằng một vectơ số có thuộc về một số lớp cụ thể hay không được gọi là bộ phân loại nhị phân. Bộ phân loại nhị phân là một loại bộ phân loại tuyến tính. Bộ phân loại tuyến tính là một thuật toán phân loại đưa ra các dự đoán của nó dựa trên một hàm dự đoán tuyến tính kết hợp một tập trọng số với vectơ đặc trưng.

Các bài viết liên quan:

Thuật toán perceptron được thiết kế để phân loại đối tượng thành một trong hai loại, phân loại đầu vào trực quan và phân tách các nhóm bằng một đường thẳng. Phân loại là một phần quan trọng của xử lý hình ảnh và học máy. Thuật toán perceptron phân loại các mẫu, tức là tìm và phân loại bằng nhiều phương tiện khác nhau bằng cách sử dụng thuật toán học máy và nhóm bằng cách tìm sự phân tách tuyến tính giữa các đối tượng và mẫu khác nhau được nhận thông qua đầu vào số hoặc trực quan.

Một mạng nơ-ron bình thường trông giống như sau.

Perceptron bao gồm bốn phần và cần phải hiểu để triển khai mô hình perceptron trong PyTorch.

  1. Giá trị đầu vào hoặc một lớp đầu vào

Lớp đầu vào của perceptron được tạo ra từ các tế bào thần kinh đầu vào nhân tạo và đưa dữ liệu ban đầu vào hệ thống để xử lý thêm.

  1. Trọng số và độ chệch

Trọng lượng thể hiện sức mạnh hoặc kích thước của kết nối giữa các đơn vị. Nếu trọng số từ nút 1 đến nút 2 có số lượng lớn hơn, thì nơron 1 có ảnh hưởng lớn hơn so với nơron 2. Mức độ ảnh hưởng của đầu vào đối với đầu ra, được xác định bằng trọng số.

Bias tương tự như đánh chặn được thêm vào trong một phương trình tuyến tính. Nó là một tham số bổ sung có nhiệm vụ điều chỉnh đầu ra cùng với tổng trọng số của các đầu vào cho nơ-ron.

  1. Chức năng kích hoạt

Một tế bào thần kinh có nên được kích hoạt hay không, được xác định bởi một chức năng kích hoạt. Hàm kích hoạt tính toán tổng có trọng số và thêm độ lệch với nó để đưa ra kết quả.

Neuron Network dựa trên Perceptron, vì vậy nếu chúng ta muốn hiểu cách hoạt động của Neuron Network, hãy tìm hiểu cách một perceptron hoạt động.

Perceptron hoạt động theo ba bước đơn giản như sau:

a) Trong bước đầu tiên, tất cả đầu vào x được nhân với trọng số của chúng được ký hiệu là K. Bước này là cần thiết vì đầu ra của bước này sẽ là đầu vào cho bước tiếp theo.

b) Bước tiếp theo là cộng tất cả các giá trị đã nhân từ K1 đến Kn. Nó được gọi là tổng có trọng số. Tổng có trọng số này sẽ được coi là đầu vào cho bước tiếp theo.

c) Trong bước tiếp theo, tổng trọng số, được tính từ bước trước, được áp dụng cho chức năng kích hoạt chính xác.

Ví dụ

Lưu ý 1: Trọng số thể hiện độ mạnh của node cụ thể.

Lưu ý 2: Giá trị thiên vị cho phép bạn thay đổi đường cong chức năng kích hoạt lên hoặc xuống.

Lưu ý 3: Các chức năng kích hoạt được sử dụng để ánh xạ đầu vào giữa giá trị được yêu cầu như (0, 1) hoặc (-1, 1)

Lưu ý 4: Perceptron thường được sử dụng để phân loại dữ liệu thành hai phần. Do đó, nó còn được gọi là Bộ phân loại nhị phân tuyến tính.

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