学习目标:
- 掌握并理解神经网络的各个组成理解activation function中的Sigmoid函数和ReLU函数
学习内容:
- 利用Sigmoid函数拟合你想要的曲线
- Sigmoid函数的组成
- 定义损失函数
- 用ReLU函数替换Sigmoid函数
流程如下:
sigmoid函数如下图所示:
函数表达式如下:
上面的参数分别决定该曲线的高度、左右平移、斜率。如下图所示:
用Sigmoid函数去拟合一条曲线:
当线性曲线无法拟合时采用更加灵活的Sigmoid function
表示3个sigmoid函数求和
把其转换为矩阵的形式
一个完整的形式
建立一个神经网络的步骤:
构造损失函数:
将所有数据分成多个batch,计算每个batch的损失函数
每次更新一次参数叫做一次updata,更新完所有updata叫做一次epoch
用ReLU来表示Sigmoid函数
两个ReLU表示一个Sigmoid,ReLU和Sigmoid同称为activation function
可以使用一连串的activation function来对数据进行处理