推荐吴恩达机器学习课程(网易云课堂),李宏毅机器学习课程(b站)
人工神经网络
简称神经网络(NN),是目前各种神经网络的基础,其构造是仿造生物神经网络,将神经元看成一个逻辑单元,其功能是用于对函数进行估计和近似,是一种自适应系统,通俗的讲就是具备学习能力。
其作用,目前为止就了解到分类。其目的就是在圈和叉之间画出一条分界线,使得接下来我们可以根据其位置来预测其属于哪个分类。这个图只有两种分类,实际上可以有非常多种,但其网络结构也会变得复杂,可以说一层网络可以画一条线,多层网络就可以画多条线。
其内部最主要的构造就是神经元,如下图所示
这张图有五个部分组成
- 输入向量
- 权重
- 求和
- 激励函数
- 输出
可以把权重,求和,激励函数合并在一起,统称为隐藏层,输入的向量可以成为输入层,输出的向量可以称为输出层。
因此神经网络的基础结构便是三层结构
- 输入层
- 隐藏层
- 输出层
输入层
一般有输入向量有多少维,输入层就会有多少个输入单元,每个单元代表一维向量,相当于该事物的特征,其与隐藏层的结点呈现为全连接状态。即1-N的关系。
隐藏层
隐藏层可以有许多层,层数越多神经网络的处理能力就越强,但相对的性能也会下降,每一层隐藏层可以针对某一种特征进行处理,例如一层隐藏层处理图像的斜线,一层隐藏层处理图像的灰度等等。
连接到隐藏层的每一条边都有一个权重 w w w,这个其实代表的某特征的权重。
我把 s u m sum sum和 f f f合并起来当做一个隐藏层的神经单元,那么该单元的数学表达形式便是
A = f ( w 1 ∗ a 1 + w 2 ∗ a 2 + ⋯ + w n ∗ a n + 1 ∗ b ) A = f(w_1*a_1+w_2*a_2+\dots+w_n*a_n+1*b) A=f(w