Python Deep Learning - Fondamenti
In questo capitolo, esamineremo i fondamenti di Python Deep Learning.
Modelli / algoritmi di deep learning
Vediamo ora di conoscere i diversi modelli / algoritmi di deep learning.
Alcuni dei modelli popolari all'interno del deep learning sono i seguenti:
- Reti neurali convoluzionali
- Reti neurali ricorrenti
- Reti di credenze profonde
- Reti generative del contraddittorio
- Codificatori automatici e così via
Gli ingressi e le uscite sono rappresentati come vettori o tensori. Ad esempio, una rete neurale può avere gli input in cui i valori RGB dei singoli pixel in un'immagine sono rappresentati come vettori.
Gli strati di neuroni che si trovano tra il livello di input e il livello di output sono chiamati livelli nascosti. Qui è dove la maggior parte del lavoro avviene quando la rete neurale cerca di risolvere i problemi. Uno sguardo più da vicino ai livelli nascosti può rivelare molto sulle funzionalità che la rete ha imparato a estrarre dai dati.
Diverse architetture di reti neurali vengono formate scegliendo quali neuroni connettere agli altri neuroni nello strato successivo.
Pseudocodice per il calcolo dell'output
Di seguito è riportato lo pseudocodice per il calcolo dell'output di Forward-propagating Neural Network -
- # node []: = array di nodi ordinati topologicamente
- # Un bordo da a a b significa che a è a sinistra di b
- # Se la rete neurale ha ingressi R e uscite S,
- # allora i primi nodi R sono nodi di input e gli ultimi nodi S sono nodi di output.
- # in arrivo [x]: = nodi collegati al nodo x
- # weight [x]: = pesi degli archi in entrata in x
Per ogni neurone x, da sinistra a destra -
- se x <= R: non fare nulla # è un nodo di input
- input [x] = [output [i] for i in incoming [x]]
- weighted_sum = dot_product (pesi [x], input [x])
- output [x] = Activation_function (weighted_sum)