Funciones de Activación para IA
Probando funciones de Activación para IA # Las Funciones de Activación permiten mayor flexibilidad # de modo que las sucesivas capas de Neuronas no se transformen en una funcion lineal sin mas import numpy as np import matplotlib.pyplot as plt # Funcion Sigmoide # 1/(1-x) siendo x el exponencial de entrada def sigmoide(a): return 1 / (1+np.exp(-a)) # Funcion steep o escalonada. Va de 0 1 # Piecewise evalua variables def steep(a): return np.piecewise(matriz, [matriz 0.0],[0,1]) # Funcion Relu # pass def relu(a): return np.maximum(0, a) #con esta funcion generamos 100 valores de 10 a -10 matriz = np.linspace(10, -10, 100) print(matriz) #Sobre x le aplicamos la funcion sigmoide y la graficamos #La funcion sigmoide da valores continuos de 0 a 1. Util para probabilidades. plt.title("Activaction Functions: Sigmoide") plt.xlabel("X") plt.ylabel("Y") plt.plot(matriz, sigmoide(matriz), linestyle = "dotted", color = "r") pl...