【人工智能】神经网络、M-P_神经元模型、激活函数、神经网络结构、学习网络参数、代价定义、总代价

于 2023-07-22 20:00:00 发布
阅读量1k 收藏
点赞数
分类专栏： 机器学习 人工智能 深度学习 文章标签： 人工智能 神经网络 学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/RuanJian_GC/article/details/131821506
版权
本文介绍了M-P神经元模型，包括输入、处理和输出过程，强调了激活函数的重要性，特别是在Sigmoid函数的应用。讨论了神经网络结构，训练过程涉及的样本数据和反向传播误差，以及两种常见的代价函数——均方误差和交叉熵。通过最小化总代价来优化神经网络的性能。
摘要由CSDN通过智能技术生成

M-P_神经元模型、激活函数、神经网络结构、学习网络参数、代价定义

文章目录

M-P 神经元模型

⚫ 输入：来自其它n个神经元传递过来的输入信号
⚫ 处理：输入信号通过带权重的连接进行传递, 神经元接受到总输入值将与神经元的阈值进行比较
⚫ 输出：通过激活函数的处理以得到输出
在这里插入图片描述

激活函数(Activation function)

⚫ 理想激活函数是阶跃函数, 0表示抑制神经元而1表示激活神经元
⚫ 阶跃函数具有不连续、不光滑等不好的性质, 常用的是 Sigmoid 函数

在这里插入图片描述

神经网络结构

在这里插入图片描述

举例

了解本专栏 订阅专栏 解锁全文 超级会员免费看
coder ᅟᅠ
关注
专栏目录
订阅专栏
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

coder ᅟᅠ

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值