深度学习是机器学习的一个重要分支,而神经网络则是其理论基础。神经网络的设计来源于神经科学,很早之前科学家就研究了神经元的组成结构。而这种神经元结构也就是神经网络的原型。
神经元模型是一个包括一个输入、输出以及计算功能的模型,如下图:
在每一个连接上都会有一个参数,叫做权重。一个神经网络的算法就是让权重值调整到最佳,以使得整个网络的预测效果达到最好。在初端,传递的信号大小是a的话,经过端中间的加权参数w之后,信号大小就会变成a*w。下图为一个神经元的计算过程:
z是在输入和权值的线性加权和叠加了一个函数g的值。在MP模型里,函数g是sgn函数,也就是取符号函数。这个函数当输入大于0时,输出1,否则输出0。
单层神经网络:
单层神经网络是由两层神经网络组成的神经网络,又名感知器。在“感知器”中,有两个层次,分别是输入层和输出层。输入层里的“输入单元”只负责传输数据,不做计算。输出层里的“输出单元”则需要对前面一层的输入进行计算。我们把需要计算的层次称之为“计算层”,并把拥有一个计算层的网络称之为“单层神经网络”。假如我们要预测的目标不再是一个值,而是一个向量,那么可以在输出层再增加一个“输出单元”。
一个神经元的输出可以向多个神经元传递,但是向不同的神经元传递的时候,所需的参数w都不相同。如下图:
这两个公式就是线性代数方程组。因此可以用矩阵乘法来表