Lompat ke konten utama
Kelas
Jaringan Saraf Tiruan Dasar dengan PythonPelajaran 5 dari 22 · Modul 2, Forward pass dan fungsi loss

Modul 2 · Forward pass dan fungsi loss

Lapisan, matriks bobot, dan jumlah parameter

Setelah pelajaran ini kamu bisa menghitung keluaran satu lapisan untuk banyak sampel sekaligus dengan X @ W + b dan menghitung jumlah parameter sebuah jaringan.

  • ±14 menit
  • 3 latihan
  • Diperiksa 28 Sep 2026

Latihan di pelajaran ini butuh akun gratis. Progres, kode, dan catatanmu hanya tersimpan di browser ini. Masuk untuk menyimpannya

Materi

Satu lapisan berisi banyak neuron yang membaca masukan yang sama. Bobot semua neuron itu disusun menjadi satu matriks W berukuran (banyak masukan, banyak neuron): kolom ke-j berisi bobot neuron ke-j. Bias disusun menjadi vektor b dengan satu angka per neuron. Dive into Deep Learning §5.1 menulis keluaran lapisan untuk satu kumpulan sampel X sebagai H = XW + b, dengan setiap baris X adalah satu sampel.

Di numpy perkalian matriks ditulis X @ W. Bila X berukuran (n, d) dan W berukuran (d, h), hasilnya (n, h): satu baris per sampel, satu kolom per neuron. Vektor b berukuran (h,) ditambahkan ke setiap baris lewat broadcasting, tanpa perulangan.

scikit-learn menyimpan bobot yang sudah dilatih di atribut coefs_ (daftar matriks, satu per sambungan antarlapisan) dan bias di intercepts_. User Guide-nya memberi contoh jaringan 2 masukan, lapisan tersembunyi 5 dan 2 neuron, dan 1 keluaran: bentuk coefs_-nya (2, 5), (5, 2), (2, 1). Jumlah parameter satu sambungan adalah d × h bobot ditambah h bias; jumlah parameter jaringan adalah total semua sambungannya.

# jaringan 3 masukan -> 4 tersembunyi -> 2 keluaran
# sambungan 1: 3 × 4 bobot + 4 bias = 16
# sambungan 2: 4 × 2 bobot + 2 bias = 10
# total: 26 parameter
import numpy as np
X = np.ones((5, 3))           # 5 sampel
W = np.zeros((3, 4))
print((X @ W).shape)          # (5, 4)

Latihan

Jawaban diperiksa di server. Lulus berarti kamu memahami contohnya, bukan penilaian seluruh pekerjaanmu.

Latihan 1 dari 3

Sebuah jaringan punya 10 masukan, dua lapisan tersembunyi berisi 16 dan 8 neuron, dan 3 neuron keluaran. Berapa jumlah seluruh parameternya (bobot ditambah bias)?

Latihan 3 dari 3

MLPClassifier(hidden_layer_sizes=(6,)) dilatih pada data dengan 5 fitur dan 3 kelas. Apa bentuk matriks-matriks di coefs_ setelah fit?

Pilih satu jawaban

Catatanmu

Memuat catatan…

tersimpan otomatis, ikut tercetak · 0/4.000

Lanjutkan ke

Tampilkan 1 lagi