目录
-
神经元模型
- 神经网络中最基本的成分是神经元模型,把许多个神经元按一定的层次结构连接起来就成了神经网络。
- 输入-权重-神经元-阈值-“激活函数”-输出
- 典型的神经元激活函数:阶跃函数、Sigmoid函数
-
感知机与多层网络
- 感知机(perceptron)是二类分类的线性分类模型,其输入为实例的特征向量,输出为实例的类别。感知机的取值为+1和-1。
- 感知机对应于输入空间中将实例划分为正负两类的分离超平面,属于判别模型。
- 感知机学习旨在求出将训练数据进行线性划分的分离超平面,为此,导入基于误分类的损失函数,利用梯度下降法对损失函数进行极小化,求得感知机模型。
- 感知机由两层神经元组成,输入层接受外界输入信号后传递给输出层,输出层是M-P神经元,亦称“阈值逻辑单元”。
- 特点:感知机学习算法具有简单,并且易于实现的特点,分为原始形式和对偶形式。
- 感知机能轻易地实现与、或、非运算,但是感知机不能异或这样简单的非线性可分问题。因为感知机只有输出层神经元可以进行激活函数处理,即只有一层功能层,但是若要处理非线性可分问题,需要多层功能神经元。例如,两层感知机就能解决异或问题。
- 多层前馈神经网络: 每层神经元与下一层神