跳到主要内容
Learn Motion
探索课程产品能力价格

下载 Learn Motion

用手机扫描二维码,下载 App。

App Store

扫码从 App Store 下载 Learn Motion打开商店页面

Google Play

扫码从 Google Play 下载 Learn Motion打开商店页面
登录
Learn Motion

Como a Inteligência Artificial Realmente Aprende

1O que significa 'aprender' para uma máquina2Erro, ajuste e o ciclo de aprendizado3Como o modelo encontra a direção do ajuste4Generalizar: aprender além dos exemplos vistos5Os principais paradigmas de aprendizado6Redes neurais e aprendizado profundo7Avaliar, diagnosticar e melhorar o aprendizado
Redes neurais e aprendizado profundo

Do neurônio à rede em camadas

1 / 2
Observe a estrutura da rede. Cada círculo é uma unidade de cálculo: ela recebe as entradas da esquerda, multiplica cada uma pelo seu peso, soma tudo e aplica uma ativação. Repare que as unidades de uma mesma camada recebem as mesmas entradas, mas têm pesos diferentes, por isso produzem saídas diferentes. Acompanhe agora as setas entre as camadas: a saída da primeira camada não é o resultado final, ela vira a entrada da camada seguinte. A rede inteira é uma composição de transformações, não uma regra única aplicada aos dados brutos. E note o papel da ativação não linear: sem ela, duas camadas seguidas equivaleriam a uma só transformação linear, e a profundidade não acrescentaria capacidade alguma.
0:00 / 0:00

Um neurônio artificial recebe um conjunto de entradas numéricas, multiplica cada entrada por um peso, soma os produtos e acrescenta um viés. O resultado passa por uma função de ativação, que produz a saída da unidade. Em notação compacta, para entradas \(x_1, x_2, \dots, x_n\), pesos \(w_1, w_2, \dots, w_n\) e viés \(b\), a unidade calcula \(z = \sum_{i=1}^{n} w_i x_i + b\) e depois \(a = f(z)\), em que \(f\) é a função de ativação.

Uma camada é um conjunto dessas unidades que recebem as mesmas entradas e produzem saídas diferentes, porque cada uma tem seus próprios pesos. Empilhando camadas, a saída de uma camada vira a entrada da seguinte. A primeira camada trabalha diretamente sobre os dados; as camadas seguintes trabalham sobre a representação construída pela anterior. É essa composição que caracteriza uma rede neural: a rede não aplica uma regra única aos dados brutos, ela transforma os dados em etapas.

A função de ativação precisa ser não linear. Se cada unidade apenas somasse entradas ponderadas, a composição de duas camadas seria equivalente a uma única transformação linear, e a rede profunda teria o mesmo poder de representação de um modelo linear simples. A não linearidade é o que permite que a composição de camadas represente funções que uma única camada não representa.

上一页1 / 2下一页

Learn Motion

生成课程,认真学会。

运营方:Wuhan Daoyin Technology Co., Ltd.

联系我们: [email protected]
隐私政策用户服务协议

© 2026 Learn Motion