Neuronske mreze-uvod

Формула w₁x₁+w₂x₂+...+w_nx_n +b је

• тежина неурона

• укупна стимулација неурона

• излаз неурона

• активациона функција

Величине w₁, w₂, …, w_n  су

• стање активације

• излазни неурони

• улазни неурони

• тежине

На слици је приказан график

• хиперболичког тангенса

• исправљене линеарне јединице (ReLU)

• накошене исправљене линеарне јединице (leaky ReLU)

• сигмоидне функције

Формула y=φ(w₁x₁+w₂x₂+...+w_nx_n +b)

• тежина неурона

• укупна стимулација неурона

• излаз неурона

• активациона функција

Код бинарне класификације на излазу нам треба

• два неурона

• три неурона

• један неурон

На слици је приказан график

• хиперболичког тангенса

• исправљене линеарне јединице (ReLU)

• накошене исправљене линеарне јединице (leaky ReLU)

• сигмоидне функције

Код вишекласне класификације на излазу нам требају

• 4 неурона

• по један неурон за сваку класу

• по један неурон за сваку другу класу

Ако имамо више сакривених слојева реч је о

• дубоким неуронским мрежама

• плитким неуронским мрежам

• градијентним неуронским мрежама

На слици је приказан график

• хиперболичког тангенса

• исправљене линеарне јединице (ReLU)

• накошене исправљене линеарне јединице (leaky ReLU)

• сигмоидне функције

На слици је приказан график

• хиперболичког тангенса

• исправљене линеарне јединице (ReLU)

• накошене исправљене линеарне јединице (leaky ReLU)

• сигмоидне функције