1.3.1 أساسيات الشبكات العصبية المجوفة

[@AhmedElsayed-ut5oz]

الله ينور ياهندسة 🌹 بس حقيقى انت لغبطتنا مابين تعريف ال W هنا وبين تعريفها وتطبيقها فى مثال الجزء الخامس self.inputSize = 2 self.outputSize = 1 self.hiddenSize = 3 #weights self.W1 = np.random.randn(self.inputSize, self.hiddenSize) # (2x3) weight matrix from input to hidden layer

[@noranmostafa1556]

احنا معتمدين عليك يا بشمهندس

[@AhmedKhaled-gy9vs]

انتي طالبة

[@noranmostafa1556]

@@AhmedKhaled-gy9vs بعمل ماجيستير ربنا يسهل

[@AhmedKhaled-gy9vs]

@@noranmostafa1556 ربنا يوفقك , انتي ابه المشروع اللي نفسك تعمليه بالشبكات العصبية العميقة

[@noranmostafa1556]

نستخدم reinforcement learning فى الروبوت

[@ibrahimfares9530]

استأذنك كتابة الاسم بالانجليزي ايضا لاني حتي الان مش عارف ايه المجوفه دي

[@mohamedelhacenhabib]

في هذا المثال عدد الصفوف 4 والاعمدة 3 بالنسبة للاوزان في [a[1 والمداخيل 3*1 يعني ان ضرب wT مع x غير ممكن يابشمهندس ممكن توضيح

[@beexceptional9716]

نفس تعليقى اتمنى حد يرد علينا

[@akramebrahim3262]

المعادلة مفيهاش T بالنسبة ل W اثناء التعامل مع اسلوب Vectorization Z[1] = W[1] . X + b[1] Z[2] = W[2] . A[1] + b[2]

[@SweetHeart-sy4on]

@@akramebrahim3262 are you sure ? really I got confused

[@omarkhaled17]

​@@SweetHeart-sy4on Yupe , if you are working with matrix , then you wouldn't make transpose to W it's just : Z[1] = W[1] . X + b[1] Z[2] = W[2] . A[1] + b[2]

[@omarkhaled17]

@@SweetHeart-sy4on W is (4,3) , X is (3, m ) , b is (4 , m) W[1] . X will be in shape (4 , m ) and Z[1] will be (4 , m)

[@yasirabdulkareem9844]

👍👍👍

[@safaasao7902]

مش فاهمممةةةةةةة

[@DEV-LUX]

Very long... Too much detail... High repetition

[@ahmedali-zo8oy]

متتفرجش عليه

[@shaima6259]

ممكن الاسليدز من فضلك

[@zaidsaleh4]

👍👍👍👍