Week 3
目录
3-1神经网络概述
这就是神经网络：
3-2神经网络的表示
这个神经网络是“双层神经网络”，只有两层，虽然有输入层、隐藏层、输出层，但从上标来看，输入层是为第0层，所以隐藏层才是第一层，输出层为第二层：
3-3计算神经网络的输出
圆圈代表了回归计算的两个步骤：所以，神经网络只不过重复的计算这些步骤很多次。
这是神经网络的第一个小圆圈，也是第一个节点，它所作的事情就是做了这两步计算。
其余三个节点，同样的计算着这两步，唯一的差别就是下标发生了变化，从1逐渐变为4，上标不发生变化，因为始终都在第一层，所以始终为1.如下图所示：
如上图所示，如果采用for循环来执行这些计算，那么效率会非常低下，所以我们将这四个等式向量化：首先，我们有四个logistic回归单元（也就是隐藏层的四个小圆圈），每一个回归单元，都有对应的W，b参数。那么我们把4个向量W堆叠在一起：如下图所示，就形成了一个4×3的矩阵——4表示有4个隐藏单元（4个圈），3表示有3个输入特征（x1,x2,x3)
然后和X相乘，在加上b结果就为Z： 
所以，我们就可以将等式向量化，变成更容易理解的符号： 
第一层隐藏层的参数就变成：
第二层输出层参数就变为：
3-4多个栗例子中的向量化
如何将不同训练样本向量化？？
如果没有向量化的话，那么只能用for循环来实现：对m个训练样本内循环：
上面循环里的四步，就是我们要做的，我们可以将其转化为： 
大家也许会很好奇，圈起来的4个东西怎么和上面的不一样，还有，怎么x变成了X,原因就是，我们将向量横向堆叠起来，构成了另一个向量：
所以就有了
横向代表不同的训练样本，竖向代表每一个节点）
3.5 向量化实现的解释
3-6、3-7、3-8激活函数
到目前为止，一直用的都是sigmoid函数，其实也有其他更好的选择
tanh()函数是-1~1，用在哪都比较好，一个例外是用在输出层不太好，因为我们更希望输出是一个0~1的值，所以输出还是可以用sigmoid函数的。也反映出，不同层可以有不同的激活函数。
因此我专门总结了一篇关于激活函数的博客https://blog.csdn.net/LLyj_/article/details/82945025
3-9、3-10神经网络的梯度下降算法
前向传播（Forward propagation）
反向传播（Back propagation）
3-11随机初始化权重
训练神经网络的时候，随机初始化权重非常重要，对于logistic回归，可以将权重初始化为0.但如果将神经网络的各参数数组全部初始化为0，再使用梯度下降算法，那会完全无效。
扫一扫
981
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
