<aside> 💡

Glöm ej att läsa hela uppgiften innan ni börjar. Det finns användbar information i slutet av detta dokument.

</aside>

Prerequisites, innan del 1

I del 1 kommer vi bygga vidare på implementationen av en enkel artificiell neuron från lektion 1, m.a.o. följande startläge: (copy-paste från lektion 1)

• 💻 Implementera en egen neuron (t.ex. med for-loop över alla inputs) i er personliga Colab-miljö.
• 💻 Kapsla in funktionaliteten i en Python-klass.
• 🚀 Optional: Implementera några olika activation functions, t.ex. Sigmoid, ReLU, Leaky-ReLU och Tanh.

<aside> 💡

Numpy = Python-library för vektorer, matriser och sådant. Det är ett matematik-bibliotek, men inte specifikt avsett för machine-learning. Därför kommer vi byta från Numpy till PyTorch i deluppgift C. Men i A och B kör vi Numpy för tydlighetens skull.

</aside>

Kravspecifikation för del 1

Scope för del 1 av denna inlämningsuppgift är att implementera följande versioner av en OCR-perceptron för handskrivna siffror:

(A) 🧮 Optional: En enda neuron

• I denna förberedande uppgift ska inte någon fungerande OCR-mjukvara tas fram. Fokus är endast på att förstå hur en enda neuron skulle kunna implementeras, utan färdiga AI-libraries.
• A1: Neuron-implementation: Implementera en Neuron-klass utan Numpy, med bara vanliga räknesätten (+ - * /).
• A2: Neuron-implementation: NumPy vektor-multiplikation internt i varje Neuron-objekt.

(B) ✅ ANN-lager: NumPy version

Att vi nu ska implementera ett helt neuron-lager betyder att vi nu inte längre behöver någon separat Neuron-klass, eftersom vi kommer beräkna output från samtliga neuroner i lagret som en enda stor matris-operation:

• Alla input till ett lager = NumPy-vektor
• Alla vikter för alla neuroner i ett lager = en NumPy-matris
• Observera att vi inte kommer att träna nätverket som är implementerat som en NumPy-beräkning - eftersom det blir mycket enklare i (C) när vi övergår till PyTorch.

(C) ✅ ANN-lager: PyTorch version: