Principais funções no treinamento de rede neural Ppt

Slide 1

Este slide apresenta uma introdução à função de ativação em uma rede neural e discute sua importância. A função de ativação é usada para calcular um total ponderado e, em seguida, adicionar viés a ele para determinar se um neurônio deve ser ativado ou não.

Slide 2

Este slide ilustra a Função Limiar, que é um tipo de Função de Ativação em uma rede neural. Esta função tem apenas duas saídas possíveis: 0 ou 1. Elas são geralmente empregadas quando apenas dois tipos de dados devem ser classificados.

Slide 3

Este slide descreve a Função Sigmóide, que é um tipo de função de ativação. O intervalo de valores para a função sigmoide é de 0 a 1. Essa função é empregada principalmente na camada de saída porque é desse nó que obtemos o valor antecipado

Slide 4

Este slide ilustra a função Retificador ou ReLU, que é um tipo de função de ativação. Relu (Rectified Linear Units) é empregado principalmente em camadas ocultas de uma Rede Neural devido à sua natureza retificada. Relu é uma função semi-retificada começando na parte inferior. Ele se move continuamente até um certo ponto e depois aumenta até seu máximo após um certo período

Slide 5

Este slide descreve a Função Tangente Hiperbólica, que é um tipo de função de ativação. A função Tanh é uma versão atualizada da função sigmóide que inclui um intervalo de valores de -1 a 1. Tanh tem uma forma de curva sigmóide, embora com um intervalo distinto de valores. A vantagem é que, dependendo de suas projeções, resultados negativos e positivos são plotados separadamente.