Python Deep Learning - Dasar-dasar
Di bab ini, kita akan melihat dasar-dasar Python Deep Learning.
Model / algoritma pembelajaran mendalam
Sekarang mari kita belajar tentang berbagai model / algoritma pembelajaran mendalam.
Beberapa model populer dalam pembelajaran mendalam adalah sebagai berikut -
- Jaringan saraf konvolusional
- Jaringan saraf berulang
- Jaringan kepercayaan yang dalam
- Jaringan permusuhan generatif
- Pembuat enkode otomatis dan sebagainya
Input dan output direpresentasikan sebagai vektor atau tensor. Misalnya, jaringan neural mungkin memiliki input di mana nilai RGB piksel individual dalam gambar direpresentasikan sebagai vektor.
Lapisan neuron yang terletak di antara lapisan masukan dan lapisan keluaran disebut lapisan tersembunyi. Di sinilah sebagian besar pekerjaan terjadi ketika jaringan saraf mencoba menyelesaikan masalah. Melihat lebih dekat pada lapisan tersembunyi dapat mengungkapkan banyak hal tentang fitur yang telah dipelajari jaringan untuk diekstrak dari data.
Arsitektur berbeda dari jaringan saraf dibentuk dengan memilih neuron mana yang akan dihubungkan ke neuron lain di lapisan berikutnya.
Pseudocode untuk menghitung keluaran
Berikut adalah pseudocode untuk menghitung keluaran Forward-propagating Neural Network -
- # node []: = larik node yang diurutkan secara topologis
- # Sisi dari a ke b berarti a di sebelah kiri b
- # Jika Jaringan Neural memiliki masukan R dan keluaran S,
- # maka node R pertama adalah node input dan node S terakhir adalah node output.
- # masuk [x]: = node terhubung ke node x
- # weight [x]: = bobot dari sisi yang masuk ke x
Untuk setiap neuron x, dari kiri ke kanan -
- jika x <= R: tidak melakukan apa pun # itu adalah simpul masukan
- masukan [x] = [keluaran [i] untuk i dalam masuk [x]]
- weighted_sum = dot_product (bobot [x], masukan [x])
- keluaran [x] = Fungsi_aktivasi (jumlah_bobot)