Rangkaian Neural Suapan Hadapan

Rangkaian Neural Suapan Hadapan

Rangkaian neural suapan hadapan ialah jenis rangkaian neural buatan yang paling ringkas. Dalam seni bina ini, data mengalir dalam satu arah, daripada lapisan masukan ke lapisan keluaran, tanpa berpatah balik.

Rangkaian suapan hadapan terdiri daripada:

• Lapisan Masukan: Menerima data mentah.
• Lapisan Tersembunyi: Menjalankan pengiraan dan mengekstrak ciri.
• Lapisan Keluaran: Menghasilkan hasil akhir.

Setiap lapisan disambungkan sepenuhnya kepada lapisan seterusnya.

Perambatan hadapan ialah proses menghantar data melalui rangkaian:

1. Masukan didarabkan dengan pemberat dan ditambahkan pada bias.
2. Fungsi pengaktifan digunakan untuk memperkenalkan ketaklinearan.
3. Keluaran dikira dan dihantar ke lapisan seterusnya.

Kita akan mencipta rangkaian suapan hadapan yang ringkas menggunakan Python. Rangkaian ini mempunyai:

• 2 neuron masukan
• 1 lapisan tersembunyi dengan 3 neuron
• 1 neuron keluaran

import numpy as np

# Define weights and biases
weights_input_hidden = np.array([[0.2, 0.8, -0.5], [0.5, -0.91, 0.26]])
bias_hidden = np.array([2, 3, 0.5])
weights_hidden_output = np.array([[0.1], [-0.14], [0.5]])
bias_output = np.array([0.1])

# Input data
inputs = np.array([1, 2])

# Forward pass
hidden_layer = np.dot(inputs, weights_input_hidden) + bias_hidden
output = np.dot(hidden_layer, weights_hidden_output) + bias_output

print("Output:", output)

Latihan melibatkan pelarasan pemberat dan bias untuk meminimumkan ralat:

1. Kira ralat (perbezaan antara nilai yang diramalkan dengan nilai sebenar).
2. Gunakan algoritma pengoptimuman seperti penurunan kecerunan untuk mengemas kini pemberat.
3. Ulangi proses ini untuk berbilang lelaran (epok).

Rangkaian suapan hadapan adalah:

• Ringkas dan mudah dilaksanakan.
• Berkesan untuk tugasan seperti regresi dan pengelasan asas.
• Cekap dari segi pengiraan untuk set data kecil.

Rangkaian suapan hadapan mempunyai beberapa kelemahan:

• Tiada memori untuk data berjujukan.
• Cenderung mengalami terlebih suai dengan data latihan yang sedikit.
• Memerlukan penalaan hiperparameter yang teliti, seperti kadar pembelajaran.

Rangkaian suapan hadapan digunakan untuk:

• Diagnosis Perubatan: Meramalkan penyakit berdasarkan gejala.
• Pengesanan Penipuan: Mengenal pasti aktiviti mencurigakan dalam urus niaga kewangan.
• Ramalan Harga Saham: Menganggarkan nilai saham pada masa hadapan.

Dalam pelajaran ini, kami:

• Meneliti struktur dan cara rangkaian neural suapan hadapan berfungsi.
• Membina rangkaian suapan hadapan yang ringkas menggunakan Python.
• Membincangkan kelebihan dan had seni bina ini.

Seterusnya, kami akan mendalami algoritma perambatan balik, yang membolehkan rangkaian neural belajar dengan berkesan melalui pengoptimuman pemberat dan bias.