Wagi, bias i suma ważona

Neuron to najmniejsza jednostka sieci neuronowej. Przyjmuje kilka liczb i zwraca jedną liczbę. To całe jego zadanie. 🧠

Każdy neuron otrzymuje wejścia w postaci liczb, na przykład jasność piksela lub cenę. Wszystko, co można zmierzyć, może stać się wejściem zasilającym neuron.

Każdemu wejściu odpowiada waga, która określa jego znaczenie. Duża waga oznacza silny wpływ, a mała — że neuron w dużej mierze je ignoruje.

Neuron mnoży każde wejście przez jego wagę, a następnie sumuje wyniki. Ta bieżąca suma jest sednem sumy ważonej.

Bias to dodatkowa liczba dodawana na końcu. Przesuwa wynik w górę lub w dół, dzięki czemu neuron może się uaktywnić nawet wtedy, gdy wejścia są zerowe.

Po połączeniu wszystkiego otrzymujemy słynny zapis w·x + b. Wagi razy wejścia plus bias. Niemal każda warstwa deep learning zaczyna się właśnie tutaj.

Ta suma iloczynów wag i wejść jest dokładnie iloczynem skalarnym. Zapis w·x pozwala obsługiwać dwa wejścia albo dwa tysiące za pomocą tej samej idei.

Oto suma ważona w zwykłym Pythonie. Proszę przejść pętlą po parach wag i wejść, mnożyć je oraz akumulować wynik.

Końcowa liczba to ocena: wyższa oznacza, że neuron skłania się ku odpowiedzi „tak”, a niższa — ku odpowiedzi „nie”. Późniejszy krok zamienia tę ocenę w rzeczywistą decyzję.

Wag nie dobiera się ręcznie. Podczas treningu każda waga jest zwiększana lub zmniejszana, aż oceny neuronu będą zgodne z oczekiwanymi odpowiedziami.

Wysoki bias sprawia, że neuron chętniej odpowiada „tak”, a niski czyni go ostrożniejszym. Ustala on poziom bazowy, zanim pojawi się jakiekolwiek wejście.

Neuron mnoży dane wejściowe przez wagi, sumuje je i dodaje bias: w·x + b. Wagi określają znaczenie, bias ustala poziom bazowy, a wynikiem jest wynik punktowy. 🎯