我正在尝试确定下面显示的人工神经元值(0或1) 对于它将要触发的输入i1,i2和i3(i0是输入的输入) 偏重,总是-1)。
权重是
W0 = 1.5
W1 = -1
W2 = 1,W3 = 2。
假设激活功能如下图所示。
请澄清你的答案,因为我做了一些例子,但我仍然无法完全理解这个理论:(
非常感谢,
Mary J。
PS。图片如下:
答案 0 :(得分:3)
似乎只是总结in * Wn
并确定i1,2,3的哪些组合给出积极结果的问题。只有8种排列,所以只需手动操作即可。
答案 1 :(得分:3)
对于神经元输出,您基本上有以下等式,其中i1
,i2
和i3
每个都可以具有值0或1:
2*i3 + i2 - i1 - 1.5 >= 0
首先,让我们看看最高正加权值。如果i3
为0,则左侧可获得的最大值为-0.5,因此i3
必须为1才能获得非零输出。等式变为:
i2 - i1 + 0.5 >= 0
现在看看负加权值。如果i1
为0,则无论i2
是什么,输出总是大于零。如果i1
为1,则i2
也必须为1,以便输出非零。
因此,您可以使用这些组合创建非零输出:
i1 i2 i3
0 0 1
0 1 1
1 1 1
答案 2 :(得分:3)
要以更一般的方式解决这个问题,首先要看一下变量是什么以及固定参数是什么。
基本上你会得到输入权重向量 w = [1.5, -1, 1, 2]
和传递函数 g(x) = (sign(x)+1)/2
,你想在中找到输入向量,以便:g(
w *
in' ) = +1
(作为行和列向量的乘积),因此:
g( sum_over_i( w_i*in_i ) ) = 1 # product of vectors
g( w0*in0 + w1*in1 + w2*in2 + w3*in3 ) = 1 # roll out the sum
g( -1.5 - in1 + in2 + 2*in3 ) = 1 # replace the values of w and in
0.5*(sign(-1.5 - in1 + in2 + 2*in3)+1) = 1 # definition of g(x)
sign(-1.5 - in1 + in2 + 2*in3) = 1 # simplify
-1.5 - in1 + in2 + 2*in3 >= 0 # by def: [sign(x)=1 iff x>=0]
通常你会通过计算导数来解决这个等式,但由于输入 中的输入只能取值0
或1
,我们可以简单地枚举所有情况(那里)是2^n
或8
个案例:
in1 in2 in3 -1.5-in1+in2+2*in3
-----------------------------------
0 0 0 -1.5
0 0 1 0.5 *
0 1 0 -0.5
0 1 1 1.5 *
1 0 0 -2.5
1 0 1 -0.5
1 1 0 -1.5
1 1 1 0.5 *
因此,我们得到上面表达式为正的 的值。
答案 3 :(得分:2)
我对AI有粗略的了解,但据我所知:
输入之和(Sigma i_n * W_n)必须大于点火阈值。第二张图片告诉你射击阈值,第一张图片告诉你输入及其重量。
你只需要弄清楚哪些总和(不要忘记偏见)会产生所需的阈值/强度