การคํานวณฟังก์ชันการปฏิบัติการในเครือข่าย Neural: เข้าสู่กระบวนการเดินทีละขั้น

ฟังก์ชัน activive คือ ส่วนประกอบสําคัญของเครือข่ายประสาท พวกเขากําหนดผลลัพธ์ของเซลล์ประสาทที่อยู่บนระบบของมัน จะช่วยให้เครือข่ายสามารถเรียนรู้รูปแบบที่ซับซ้อน บทความนี้อธิบายวิธีการคํานวณฟังก์ชันแบบเคลื่อนไหวทีละขั้น

การ เข้าใจ การ กระทํา

การกระตุ้นฟังก์ชันได้เปลี่ยนแปลงสัญญาณที่ป้อนเข้าไป ให้กลายเป็นผลลัพธ์ที่สามารถใช้ได้โดยชั้นที่ตามมา ฟังก์ชันทั่วไปคือ ไซกโมอยด์, แทนห์, และรีลู

การคํานวณฟังก์ชัน Sigmoid

ฟังก์ชันซิกมอยด์นิยามเป็น [FLT: 0] f(x) = 1 / e^{] -x}]. เพื่อคํานวณ:

• ใส่ค่า x เข้าไป
• คํานวณค่าเอกซ์โปเนนเชียลของ -x
• บวก 1 ยกกําลังเอกซ์โปเนนเชียลนี่
• หาร 1 ด้วยผลลัพธ์ที่ได้ผลลัพธ์ออกมา

กําลังคํานวณฟังก์ชัน RLU

หน่วยของหน่วยเรตาร์แบบ retricification (ReLU) เป็นแบบง่าย:[FLT: 0] f(x) = สูงสุด (0, x). เพื่อคํานวณ:

• ใส่ค่า x เข้าไป
• ถ้า x มากกว่า 0 ส่งผลออกมา x
• ถ้า x น้อยกว่าเท่ากับ 0 ส่งผลเป็น 0

การคํานวณฟังก์ชัน Tanh

ฟังก์ชันไฮเพอร์เฟกต์คือ [FLT: 0] f(x) = (e[FLT: 1)]x] - e^{] - [FLTT:3] - (FLTT: 4]]. สืบค้นเมื่อ ค.ศ.}

• คํานวณ e[[FLT: 0]]]x และ e^{] -x}.
• ลบ e[[FLT: 0]]]]] -x จาก e^x.
• บวก e[[FLT: 0]]]] x และ e^{] -x}.
• ผลต่างของผลรวมเพื่อให้ได้ผลลัพธ์ออกมา