Dois exemplos didáticos com pesos fixos e ilustrativos: um perceptron multicamadas de classificação e um de regressão. Altere as entradas e veja a soma ponderada e a ativação de cada neurônio até a saída final.
Problema: prever se um paciente é classificado como diabético a partir de quatro exames. Camada oculta com 5 neurônios (ReLU) e saída com 1 neurônio (sigmoide).
Cada linha da primeira tabela é o vetor de pesos de um neurônio da camada oculta (W¹) mais seu viés (b¹). A segunda tabela é o vetor de pesos da camada de saída (W²) e seu viés (b²).
| neurônio | Glicose | IMC | Idade | Pressão | bias |
|---|---|---|---|---|---|
| h1 | 0.9 | 0.6 | 0.3 | 0.4 | -0.5 |
| h2 | 1.2 | -0.3 | 0.1 | 0.2 | -0.6 |
| h3 | -0.2 | 1.0 | 0.4 | 0.3 | -0.4 |
| h4 | 0.3 | 0.2 | 1.1 | 0.5 | -0.3 |
| h5 | 0.4 | 0.3 | 0.2 | 1.0 | -0.5 |
| neurônio | h1 | h2 | h3 | h4 | h5 | bias |
|---|---|---|---|---|---|---|
| saída | 0.8 | 0.7 | 0.6 | 0.5 | 0.7 | -1.0 |
Camada oculta (5 neurônios · ReLU)
z = Σ(w·x) + b e aplica ReLU(z) = max(0, z). A saída calcula sua própria soma ponderada sobre as ativações ocultas e aplica sigmoide(z) = 1 / (1 + e⁻ᶻ), resultando numa probabilidade entre 0 e 1.
Problema: estimar o valor do aluguel de um imóvel a partir de suas características. Camada oculta com 6 neurônios (ReLU) e saída com 1 neurônio (ativação linear).
Cada linha da primeira tabela é o vetor de pesos de um neurônio da camada oculta (W¹) mais seu viés (b¹). A segunda tabela é o vetor de pesos da camada de saída (W²) e seu viés (b²).
| neurônio | Área | Quartos | Distância | Idade imóvel | bias |
|---|---|---|---|---|---|
| h1 | 1.0 | 0.4 | -0.3 | -0.2 | 0.1 |
| h2 | 0.8 | 0.6 | -0.2 | -0.1 | 0.1 |
| h3 | 1.2 | 0.2 | -0.4 | -0.3 | 0.1 |
| h4 | 0.5 | 0.9 | -0.1 | -0.2 | 0.1 |
| h5 | 0.9 | 0.3 | -0.5 | -0.4 | 0.1 |
| h6 | 0.6 | 0.5 | -0.3 | -0.1 | 0.1 |
| neurônio | h1 | h2 | h3 | h4 | h5 | h6 | bias |
|---|---|---|---|---|---|---|---|
| saída | 0.5 | 0.4 | 0.6 | 0.3 | 0.5 | 0.4 | 0.2 |
Camada oculta (6 neurônios · ReLU)
z = Σ(w·x) + b com ReLU. A diferença está na saída: em vez de sigmoide, usa-se ativação linear (a = z), pois o alvo é um valor contínuo (R$), não uma probabilidade.
Os pesos usados nas duas redes são fixos e ilustrativos — não foram treinados com dados reais. O objetivo é visualizar a propagação direta (forward pass), não fazer previsões válidas na prática.