关于神经网络的几点思考:单层——多层——深度
神经网络本质上是一个逼近器,一个重要的基本属性就是通用逼近属性。
通用逼近属性:
1989年,George Cybenko发表文章“Approximation by Superpositions of a Sigmoidal Function”,文章证明在只有单个隐层的情况下,对于任何的连续的,非线性的sigmoidal函数,只要在隐藏层个数足够多的情况下,就能够很好的拟合任意的连续函数。
原文链接:http://www.dartmouth.edu/~gvc/Cybenko_MCSS.pdf
文章所阐述的通用逼近属性(UniversalApproximation Properties)是神经网络中非常重要的一个性质:一个单隐藏层的神经网络,如果神经元个数足够多,通过非线性的激活函数则可以拟合任意函数。这使得我们在思考神经网络的问题的时候,不需要考虑函数是否能够用神经网络拟合,只需要考虑如何用神经网络做到更好的拟合。
1991年Kurt Hornik提出:通用逼近属性并不是激活函数的具体选择,而是多层前馈结构本身,该结构使神经网络具有通用逼近器的性质。
原文链接: