一、M-P神经元
M-P神经元(一个用来模拟生物欣慰的数学模型):接受n个输入,并给各个输入赋予权重计算加权和,然后和自身特有的阈值进行比较,最优经过激活函数处理得到输出。
二、感知机
单个M-P神经元,激活函数为sgn(阶跃函数)的神经元。
三、神经网络
多个M-P神经元。
可以处理线性不可分割的数据集,通用近似定理:只需一个包含足够多神经元的隐层,多层前馈神经网络就能以任意精度逼近任意复杂度的连续函数。
问题:
神经网络该做多宽多深。
神经网络的结构该如何设计才最合理。
神经网络的输出结果该如何解释。
当输入特征足够多,神经网络足够大,神经网络可以自动发现有用的特征,并通过梯度下降或其他方法走到局部极小值点,从而向自动数据分析的目标前进。