超级会员免费看
这篇博客介绍了深度学习的基础，从单层的感知机到多层感知机（MLP）以及反向传播算法。接着讨论了全连接神经网络的局限性，特别是参数过多的问题，然后引入了卷积神经网络（CNN），阐述了CNN如何通过局部连接和池化解决这些问题，并介绍了卷积、填充、步长和池化等基本概念。
基于人脸的常见表情识别(1)——深度学习基础知识
文章目录
神经网络
1. 感知机
感知机（Perceptron）是 Frank Rosenblatt 在1957年提出的概念，其结构与MP模型类似，一般被视为最简单的人工神经网络，也作为二元线性分类器被广泛使用。通常情况下指单层的人工神经网络，以区别于多层感知机（Multilayer Perceptron）。尽管感知机结构简单，但能够学习并解决较复杂问题。
假设我们有一个n维输入的单层感知机，x1x1 至 xnxn 为 n 维输入向量的各个分量，w1jw1j 至 wnjwnj为各个输入分量连接到感知机的权量（或称权值），theta 为阈值，f 为激活函数（又称为激励函数或传递函数），o 为标量输出。理想的激活函数通常为阶跃函数或者sigmoid函数。感知机的输出是输入向量x与权重向量w求得内积后，经激活函数f所得到的标量。
单层感知器类似一个逻辑回归模型，可以做线性分类任务
订阅专栏 解锁全文
扫一扫
917
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
