Die Grundlagen neuronaler Netze
Perceptron
Perceptron ist ein einschichtiges neuronales Netzwerk und ein mehrschichtiges Perzeptron wird als neuronales Netz bezeichnet.
Perceptron ist ein linearer Klassifikator (binär). Es wird auch im überwachten Lernen eingesetzt. Es hilft, die angegebenen Eingabedaten zu klassifizieren. Aber wie funktioniert es?
Perceptron besteht aus 4 Teilen:
- Eingabewerte oder Eingabeschicht.
- Gewichtung und Neigung.
- Nettosumme.
- Aktivierungsfunktion.
Neuronale Netze funktionieren genauso wie ein Perceptron. Wenn Sie also wissen möchten, wie ein neuronales Netzwerk funktioniert, lernen Sie zuerst, wie Perceptron funktioniert.
Aber wie funktioniert es?
- Alle Eingänge x werden mit ihren Gewichtungen w multipliziert. Nennen wir es k.
- Addieren Sie alle multiplizierten Werte und nennen Sie sie gewichtete Summe.
- Wenden Sie diese gewichtete Summe auf die richtige Aktivierungsfunktion an.
Zum Beispiel: Unit Step Activation Function.
Warum brauchen wir Gewichtung und Neigung?
- Gewichtungen zeigen die Stärke des jeweiligen Knotens.
- Mit einem Bias-Wert können Sie die Aktivierungsfunktionskurve nach oben oder unten verschieben.
Warum brauchen wir eine Aktivierungsfunktion?
- Kurz gesagt, die Aktivierungsfunktionen dienen dazu, die Eingabe zwischen den erforderlichen Werten wie (0, 1) oder (-1, 1) abzubilden.
Wo verwenden wir Perceptron?
- Perceptron wird normalerweise verwendet, um die Daten in zwei Teilen zu klassifizieren. Daher wird es auch als binärer Klassifizierer bezeichnet.
Haben Sie gut verstehen können, was Perzeptron bedeutet?
Welche Verwendungen von Perzeptronen kommen noch in Frage?
Diese und weitere Fragen beantwortet gerne das AI United Team per Email oder in dem Q&A Bereich.
Quellen: https://towardsdatascience.com/what-the-hell-is-perceptron-626217814f53