神經元是人類大腦中的基本單元,在人工神經網路中也被廣泛使用。
一個神經元接受輸入,並根據某種規則計算出輸出。輸入通常是來自其他神經元的輸出,也可以是外部輸入。輸出可以用於作為其他神經元的輸入,或者用於解決某個問題。
神經元的計算過程通常包括以下步驟:
- 接受輸入,並將每個輸入乘上一個權重。
- 將加權輸入相加,得到加權和。
- 將加權和傳遞給激活函數。激活函數是一種特殊的函數,用於將加權和轉化為輸出。常用的激活函數包括 sigmoid 函數和 ReLU 函數。
- 返回輸出。
你可以使用以下的 C++ 代碼實現一個簡單的神經元:
#include <vector>
class Neuron {
public:
Neuron(int num_inputs);
double FeedForward(const std::vector<double>& inputs);
private:
std::vector<double> weights_;
double bias_;
};
Neuron::Neuron(int num_inputs) {
// 隨機初始化權重和偏差
for (int i = 0; i < num_inputs; ++i) {
weights_.push_back(GetRandomWeight());
}
bias_ = GetRandomWeight();
}
double Neuron::FeedForward(const std::vector<double>& inputs) {
// 計算加權和
double weighted_sum = 0.0;
for (int i = 0; i < inputs
回到我們的程序,在計算加權和之後,我們將輸入傳遞給激活函數,並返回輸出。在這個例子中,我們使用 sigmoid 函數作為激活函數。
double Neuron::FeedForward(const std::vector<double>& inputs) {
// 計算加權和
double weighted_sum = 0.0;
for (int i = 0; i < inputs.size(); ++i) {
weighted_sum += inputs[i] * weights_[i];
}
weighted_sum += bias_;
// 返回輸出
return Sigmoid(weighted_sum);
}
Sigmoid 函數的形式如下:
double Sigmoid(double x) {
return 1.0 / (1.0 + exp(-x));
}
這樣,我們就實現了一個簡單的神經元。