neurali:multi-layer
Differences
This shows you the differences between two versions of the page.
Both sides previous revisionPrevious revisionNext revision | Previous revisionNext revisionBoth sides next revision | ||
neurali:multi-layer [2015/07/09 15:59] – [Multilayer] profpro | neurali:multi-layer [2020/06/08 22:20] – external edit 127.0.0.1 | ||
---|---|---|---|
Line 1: | Line 1: | ||
+ | ======Multilayer====== | ||
+ | http:// | ||
+ | |||
+ | Le reti neurali con uno o più hidden layer con più neuroni, sono anche **non lineari** | ||
+ | |||
+ | Quindi forniranno come soluzione l' | ||
+ | |||
+ | Abbiamo visto che i pesi sinaptici nelle reti lineari si possono calcolare analiticamente perché la soluzione è lineare. Ad esempio, usando la regressione lineare, poiché la funzione [[neurali: | ||
+ | |||
+ | Nelle reti non lineari per minimizzare l' | ||
+ | |||
+ | Applicando questo algoritmo [[neurali: | ||
+ | |||
+ | ==== ==== | ||
+ | |||
+ | Quanti hidden layer servono per un certo problema di imitazione? | ||
+ | |||
+ | - ne basta uno! | ||
+ | | ||
+ | Quanti neuroni per ogni layer? | ||
+ | |||
+ | - con un neurone su un hidden layer si ottiene una imitazione della stessa funzione di attivazione | ||
+ | - con due neuroni su un hidden layer si ottiene una imitazione della somma dei grafici di due funzioni di attivazione | ||
+ | - ecc. | ||
+ | |||
+ | NOTA: Attenzione a non esagerare con il numero di neuroni : problema [[neurali: | ||
+ | |||
+ | ====Bias unit==== | ||
+ | Sia nelle reti single layer che multi layer, ci sono un quarto tipo di neuroni (o unità neurali) (oltre input, hidden e output): | ||
+ | |||
+ | - **bias unit** | ||
+ | |||
+ | Essi generano un output costante pari ad uno, ed hanno un proprio peso sinaptico. | ||
+ | |||
+ | Esiste un bias unit per ogni neurone che non appartiene all' |
neurali/multi-layer.txt · Last modified: 2023/06/09 14:55 by profpro