深度学习（神经网络的表示及输出）

最新推荐文章于 2024-06-06 05:18:05 发布
最新推荐文章于 2024-06-06 05:18:05 发布
阅读量1.1k 收藏 10
点赞数 16
分类专栏： 深度学习-人工智能 文章标签： 深度学习 神经网络 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Darkness_01/article/details/134762965
版权

神经网络的表示

首先拿以上这样一种神经网络模型来演示

输入层

首先第一层，有三个特征值，X1,X2,X3竖向堆叠起来，称为神经网络模型的输入层

该层中主要包含了神经网络的输入

在输入层，我们习惯用X来表示其特征输入，此外还有另外一种表示方法，即a_{}^{[0]}

a_{}^{[0]}=x

这个a也表示激活(activations)的意思，意味着网络中不同层的值，会传递给后面的层

例如，输入层将x的值传给隐藏层，隐藏层也同样会产生一个激活值，记作a^{_{}^{[1]}}

隐藏层

隐藏层的含义，在训练集中这些中间节点的真正数值，我们都是不知道的，在训练集中看不到它们的数值，仅可以看到输入值和输出值。

对于隐藏层的节点表示

如上，我们可将其表示为，a_{1}^{[1]},a_{2}^{[1]},a_{3}^{[1]},a_{4}^{[1]}

表示隐藏层的四个节点

而a^{[1]}可表示为一个4*1的矩阵，或大小为4的列向量

输出层

在这里是最后一层

会产生某个数值a^{[2]}，其是个实数

尾言

在一个神经中，当你使用它进行监督学习训练它时， 训练集包含了输入X，还有目标输出Y 

按照约定俗成的符号中，上述所展现的例子是一个双层神经网络，原因是没有算进输入层

之所以没有算入输入层的原因是因为

隐藏层是第一层，输出层是第二层，约定成俗的符号当中，将输入层视作第0层

最后需要知道的是，隐藏层及最后的输出层，是带有参数的，其中这里的隐藏层带有两个相关的参数w和b，使用上标[1]，表示这些参数，是和第一层隐藏层有关的

类似的输出层也有和它相关的一些参数w^{[2]},以及b^{[2]}，从维数来看，分别是1*4和1*1，这是因为输出层只有一个单位

神经网络的输出

如上图，这里的圆圈代表了回归计算的两个步骤

对于隐层的每个节点，都有两个步骤来进行运算

而要在神经网络中真正实现上述步骤

使用for循环是一种方式，但是这种方式会显得十分的低效

为此我们选择使用另一种方式来进行计算实现，把这四个等式进行向量化

可以将以上这部分进行堆叠起来，形成一个4*3的矩阵

类似的将b进行提取也可以得出一个向量，并进行运算可以得到以下公式

这所得结果就是其第一个等式，如下图

然后利用sigmod函数作用域Z中的四个单元得到a^{[1]}

当有一个神经网络模型时，下列四个公式就是需要我们去进行计算的，

计算出隐藏层中的单元，是由下图中的前两个公式进行完成的

而输出层中的logistic回归时利用后两个公式进行实现完成的

Darkness_01
关注
  • 16
    点赞
  • 踩
  • 10
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
cnn输入层_卷积神经网络（一）：发展史与输入层
weixin_39805529的博客
11-20 1582
提到深度学习，想必各位小伙伴对卷积神经网络(CNN)一词一定不陌生，那么卷积神经网络的发展史、网络结构中的输入层、卷积层、池化层、全链接层、输出层究竟是什么呢。从这里开始，笔者将带你一步步走进CNN(以理论为主，应用目前可以参考用TensorFlow教你做手写字识别和OpenCV+TensorFlow实现自定义手写图像识别 2篇文章，也可以后台留言交流)。发展史卷积神经网络...
deeplearning深度学习笔记v5.1.zip
05-19
深度学习（Deep Learning）是机器学习的一个分支，其核心思想是通过构建和训练深层神经网络模型，从大规模的数据中学习和提取高级抽象特征，以解决复杂的模式识别和决策问题。 深度学习的名称源于其使用多层神经网络模型的特点。这些神经网络模型由多个神经元层组成，每一层的神经元将输入信息传递给下一层进行处理和抽象。深度学习的关键是通过大规模数据的反向传播和优化算法，自动地学习神经网络的权重和参数，使得网络能够在训练数据中发现复杂的特征和模式。 相较于传统机器学习方法，深度学习在处理大规模、高维度的数据时具有以下优势： 自动特征学习：深度学习模型可以自动从原始数据中学习到具有鉴别性的特征表示，无需手动进行特征工程。 大规模数据处理：深度学习模型对于大规模数据的处理能力强大，可以从海量数据中提取知识和模式。 处理非线性关系：深度学习模型能够建模复杂的非线性关系，对于诸如图像识别、自然语言处理等任务有很好的表现能力。 端到端学习：深度学习模型能够从原始输入直接学习到输出结果，实现端到端的学习和推断过程。
深度学习的数学-神经网络、输入层、隐藏层、输出层
热门推荐
JeffreyWang的技术博客
03-08 4万+
文章目录前言正文一个例子输入层输出层隐藏层各个层如何向上传递信息神经网络中权重和偏置的作用有监督学习下，如何确认权重总结 排版可能更好一点的永久原文链接：深度学习的数学-神经网络、输入层、隐藏层、输出层 前言 前文中了解到，神经网络由多个神经单元组成，而本篇博客将会了解到深度学习由多个神经网络组成，并且分为 输入层、隐藏层和输出层，隐藏层涉及到的知识点最多，是本文的重点 正文 阶层型的神经网络主要...
神经网络之输出层设计
qq_53094315的博客
11-02 4171
一、输出层的设计 神经网络可以用在分类问题和回归问题上，不过需要根据情况改变输出层的激活函数。一般而言，回归问题用恒等函数，分类问题用softmax函数。 1、恒等函数和softmax函数 恒等函数：将输入按原样输出，对于输入的信息，不加以任何改动地直接输出。 softmax函数： 图示： 代码实现： import ...
深度学习——卷积层的输入输出多通道（笔记）+代码
jbkjhji的博客
11-30 7123
每组卷积核提取的特征不一样。我的猜测是，比如有一个图片，加上一个滤镜（一组卷积核），是朦胧的。通过一组卷积核，把输入的三个通道的信息对应像素进行加权和，得到一个输出通道。不管输入的是多个通道，每个通道都有对应的卷积核，输出通道的结果是所有卷积核的和。②把输出的6个通道传入，此刻的输入通道识别并组合输入中的各个模式【组合模式识别】【比如】：下图的输入通道是2，所以对应2个卷积核（一组），输出结果是单通道。所有通道结果相加得到一个输出的通道的结果。每个通道都有对应的卷积核，输出的结果是所有通道卷积核的和。
神经网络基础：从输入层到输出层的深入探讨
禅与计算机程序设计艺术
12-29 907
1.背景介绍 神经网络是人工智能领域的一个重要分支，它试图通过模拟人类大脑中的神经元(neuron)和神经网络的工作方式来实现智能化的计算机系统。神经网络的核心思想是通过大量的训练数据和模型的学习，使模型能够自动识别模式、进行预测和决策。在过去的几十年里，神经网络技术一直在不断发展和进步，从简单的人工神经网络到复杂的深度学习网络，都是这一领域的重要成果。 在本文中，我们将深入探讨神经网络的基础...
PyTorch深度学习：多维特征的输入
m0_63567560的博客
07-09 606
多维特征的输入
深度学习与卷积神经网络
02-25
本文来自于个人微博，本文通过几种比较流行的卷积神经网络的结构图，简单的介绍了卷积审计网络的定义。简单来说，卷积(或内积)就是一种先把对应位置相乘然后再把结果相加的运算。(具体含义或者数学公式可以查阅相关...
自组织神经网络+深度学习+机器学习+学习案例+基于Kohonen网络的入侵聚类+源代码
02-01
Kohonen神经网络是芬兰赫尔辛基大学教授Teuvo Kohonen 提出的,该网络通过自组织特征映射调整网络权值,使神经网络收敛于一种表示形态。在这一形态中，一个神经元只对某种输人模式特别匹配或特别敏感。Kohonen网络的...
基于深度学习的python实现教程
05-10
深度学习（Deep Learning，简称DL）是机器学习（Machine Learning，简称ML）领域中一个新的研究方向，其目标...深度学习中还包含两种主要的神经网络类型：卷积神经网络（Convolutional Neural Networks，简称CNN）和循
基于深度学习的水色图像识别系统
05-10
深度学习（Deep Learning，简称DL）是机器学习（Machine Learning，简称ML）领域中一个新的研究方向，其目标...深度学习中还包含两种主要的神经网络类型：卷积神经网络（Convolutional Neural Networks，简称CNN）和循
深度学习框架经验之谈.zip
05-19
深度学习的关键是通过大规模数据的反向传播和优化算法，自动地学习神经网络的权重和参数，使得网络能够在训练数据中发现复杂的特征和模式。 相较于传统机器学习方法，深度学习在处理大规模、高维度的数据时具有以下...
神经网络的输出层有哪些_神经网络算法—总结篇
weixin_39616216的博客
11-23 1864
本文是吴恩达《机器学习》视频笔记第57篇，对应第5周第7个视频。“Neural Networks Learning:——Putting it together”前面几个小节都讲了神经网络的一些东东，因为神经网络在机器学习中的地位实在是太重要了，所以需要单独一节把前面学到的事总结一下。确定神经网络的结构神经网络的结构呢，无非就是输入层、输出层外加隐藏层，那隐藏层有几层？每一层有多少个神经元？输入层、...
深度学习笔记（02）：神经网络的输入和输出
qq_36346625的博客
11-27 1万+
logistics回归，逻辑回归问题。 图像在计算机中如何保存？要保存一张图像，要保存三个独立矩阵，对应三原色通道。如果输入图像大小是64×64大小的，那个矩阵的大小也是64×64的，而且是3个矩阵。 要把矩阵中的像素值放到一个特征向量x中，这个x就表示了这张图像。向量x的总维度就是64×64×3。 图片的特征向量x作为输入，预测输出的结果标签为y。 用一个单独的(x,y)作为一个单独的输入样本...
神经网络控制系统的应用,神经网络的输入输出
super67269的博客
09-02 1476
网络的训练过程与使用过程了两码事写作猫。比如BP应用在分类，网络的训练是指的给你一些样本，同时告诉你这些样本属于哪一类，然后代入网络训练，使得这个网络具备一定的分类能力，训练完成以后再拿一个未知类别的数据通过网络进行分类。这里的训练过程就是先伪随机生成权值，然后把样本输入进去算出每一层的输出，并最终算出来预测输出（输出层的输出），这是正向学习过程；最后通过某种训练算法（最基本的是感知器算法）使得代价（预测输出与实际输出的某范数）函数关于权重最小，这个就是反向传播过程。
LSTM神经网络输入输出究竟是怎样的？
WitsMakeMen的专栏
11-03 5944
转自：https://blog.csdn.net/T7SFOKzorD1JAYMSFk4/article/details/78960039 本题节选自《BAT机器学习面试1000题》，1000题系列作为国内首个AI题库，囊括绝大部分机器学习和深度学习的笔试面试题、知识点，可以作为机器学习自测题，也可以当做查漏补缺的资料库。七月在线AI题库（网页版及APP版）见“阅读原文” LSTM神经网络输入输...
nn.module 看图搭建网络
weixin_46118768的博客
04-11 1870
简单的网络：y = x+1 import torch from torch import nn class Mymodule(nn.Module): def __init__(self): super().__init__() def forward(self,x): x = x + 1 return x mymodule = Mymodule() x = torch.tensor(1.0) y = mymodule(x) print(y)
扩散模型会成为深度学习的下一个前沿领域吗？
最新发布
gongdiwudu的专栏
06-06 1601
谷歌的 AlphaFold 3 因其彻底改变生物技术的潜力而受到广泛关注。与以前的方法相比，导致其性能提升的关键创新之一是它利用了扩散模型。AlphaFold 3 的功能来自其下一代架构和训练，现在涵盖了所有生命分子。该模型的核心是我们的 Evoformer 模块的改进版本——一种深度学习架构，支撑了 AlphaFold 2 令人难以置信的性能。在处理输入后，AlphaFold 3 使用扩散网络组装其预测，类似于 AI 图像生成器中的预测。扩散过程从一团原子开始，经过许多步骤，汇聚到其最终的、最准确的分子结
大模型和深度学习模型
02-28
大模型通常指的是参数数量较多的深度学习模型，它们具有更多的层和更多的神经元。这些模型通常需要更多的计算资源和更长的训练时间，但也能够提供更好的性能和更高的准确率。 深度学习模型是一种机器学习方法，它通过多层神经网络来学习数据的表示和特征。这些模型可以自动从数据中学习到复杂的特征，并且在许多任务上取得了很好的效果，如图像识别、语音识别、自然语言处理等。 深度学习模型通常由多个层组成，包括输入层、隐藏层和输出层。每一层都由多个神经元组成，每个神经元都与上一层的所有神经元相连，并通过权重来传递信息。通过反向传播算法，深度学习模型可以根据预测结果和真实标签之间的差异来调整权重，从而不断优化模型的性能。 深度学习模型具有以下特点： 1. 非线性：深度学习模型可以学习到非线性的关系，能够处理更加复杂的数据。 2. 自动特征提取：深度学习模型可以自动从数据中学习到特征，无需手动设计特征。 3. 可扩展性：深度学习模型可以通过增加层数和神经元数量来提高模型的性能。 4. 鲁棒性：深度学习模型对于噪声和变化具有一定的鲁棒性，能够处理一定程度的数据扰动。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值