机器学习系列（1）：十分钟掌握深度神经网络的原理、推导与实现

“ 哎呀人工智能好像很火啊，神经网络又是啥，这里是机器学习系列第一篇，带你走进AI，那DNN了解一下（本文干货风哦）。”

 

图片挂了...贴个链接吧，大家可以到这看.

https://mp.weixin.qq.com/s?__biz=MzU4NTY1NDM3MA==&mid=2247483715&idx=1&sn=f81cb0764e1a4c2fc5aef75f94ea8215&chksm=fd86084ecaf18158c7c4c6446745596510c64de5080fa43407ad1bd68c82e02c01c277de3e03#rd

                                                                

                                                             00 内容概览

 

机器学习系列（1）：深度前馈神经网络--原理解释、公式推导及Python实现

深度神经网络的原理解释：

• 定义

• 变量约束

• 前向传播

• 反向传播

• 数据集

公式推导：

• 前向过程

• BP算法

• 梯度下降

Python实现：

• 见文章内容

申明

本文原理解释及公式推导部分均由LSayhi完成，供学习参考，可传播；代码实现部分的框架由Coursera提供，由LSayhi完成，详细数据及代码可github查阅。 

https://github.com/LSayhi/DeepLearning

微信公众号：AI有点可ai

                                                                                              

                                                          01 原理解释

 

 

 

1.1 定义： 前馈神经网络，亦称多层感知机，网络的目标是近似一个目标映射 f ,记为y=f(x;θ)。 对于预测型神经网络来说，通过学习参数θ的值，使得函数 f 拟合因变量自变量之间的 映射关系；对于分类神经网络，学习参数θ的值，使映射 f 拟合各类别之间的边界。

• 神经网络模型由输入层、输出层、隐藏层及连接各层之间的权重（参数）组成。

• “深度”是指 除去模型中输入层后网络的层数；

• “前馈”是指 网络没有反馈的连接方式；

• “网络”是指 它是由不同函数g所复合的。

 

 

1.2 变量约束： 以一个输入层特征数为 n_x(=12888，n_x定义为输入层的单元数) ，L（=L-1+1,L定义为除去输入层的网络层数） 层，即隐藏层数为 L-1 的前馈神经网络为例，见figure 1。

•  表示第  层第