Basis van machine learning

Een klein neuraal netwerk met de invoer x₁ = 1 en x₂ = 2 heeft twee verborgen neuronen h₁ = ReLU(x₁ + x₂ − 1) en h₂ = ReLU(x₁ − 2x₂ + 1) en de uitvoer y = 2h₁ + 3h₂ + 1. Wat is de waarde van y?

  1. A−1
  2. B5
  3. C7
Antwoord en toelichting tonen

Antwoord: B. 5

ReLU is een activatiefunctie die een positieve invoer ongewijzigd doorgeeft en bij een invoer van 0 of minder 0 uitvoert. h₁ = ReLU(1 + 2 − 1) = ReLU(2) = 2 en h₂ = ReLU(1 − 4 + 1) = ReLU(−2) = 0, dus y = 2 × 2 + 3 × 0 + 1 = 5. Deze berekening laag voor laag van de invoer naar de uitvoer heet voorwaartse propagatie (forward pass).

Dit onderwerp oefenen Naar de onderwerppagina

Meer vragen over Basis van machine learning

  1. Zij p de kans die een model aan de juiste klasse toekent. Welke beschrijving van het kruisentropieverlies −log p, dat wordt gebruikt om classificatiemodellen te trainen, is juist?
  2. Bij gradiëntafdaling is de gradiënt van het verlies ∂L/∂w bij het gewicht w = 2,0 gelijk aan 0,5 en is de leersnelheid 0,1. Wat is het gewicht na één update?
  3. De afgeleide dy/dx van y = (2x + 1)² bij x = 1 wordt met de kettingregel bepaald, met u = 2x + 1 en y = u². Welke waarde is juist?
  4. Waarom zijn in een neuraal netwerk met veel gestapelde lagen de lagen dicht bij de invoer moeilijk te trainen als de sigmoïdefunctie als activatiefunctie wordt gebruikt?
  5. Een model wordt getraind op 10.000 trainingsgegevens met een minibatchgrootte (batchgrootte) van 50. Hoeveel keer worden de gewichten in één epoch bijgewerkt?