机器学习——神经网络（neural networks）

最新推荐文章于 2024-08-01 14:15:05 发布
最新推荐文章于 2024-08-01 14:15:05 发布
阅读量2.6k 收藏 10
点赞数 1
文章标签： 神经网络 人工智能
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/Xpy_021101/article/details/128390662
版权
本文详细介绍了神经网络的基础知识，包括神经元的工作原理、神经网络在计算机视觉中的应用，以及如何构建和训练神经网络。从简单的单层神经元到复杂的多层网络，再到前向传播和TensorFlow的实践，文章逐步深入。此外，还探讨了激活函数、多分类问题、Adam优化算法以及卷积层等核心概念。
摘要由CSDN通过智能技术生成

1.认识神经网络

激活，指的是神经元向其下游的其他神经元发送高输出值或许多电脉冲的程度，影响因素是激活项。

输入四个数字，然后神经网络的这一层使用这四个数字来计算新的数字（3个），这些新的数字也被称为激活值。


多层的神经网络被称为多层感知器

2.神经网络在计算机视觉中的应用

【在第一个隐藏层中】

第一个神经元在寻找像第一个像素里这样的垂直线边缘。
第二个神经元在寻找一条像这样的有方向的线或有方向的边。

第三个神经元在这个方向上寻找一条线
神经网络的最初几层，神经元在图像中寻找非常短的线条或非常短的边缘

【在第二个隐藏层中】

这些神经元聚在了一起形成很多短小的线条和短小的边缘段，好寻找脸的一部分

【在第三个隐藏层中】

神经网络将人脸的不同部分聚合在一起，检测图像中是否存在粗粒度更大的面部轮廓，最后检测这张脸与不同面部轮廓的符合程度，创建出一组丰富的特征，然后帮助输出层确定人物图片的身份。
神经网络的一个显著特点是，你可以自己学习这些不同隐藏层的特征检测器

第一个隐藏层的神经元用相对较小的窗口来寻找这些边缘，第二个隐藏层是用大点的窗口(在图像的搜寻范围更大)，第三个隐藏层用的窗口还要更大，这些经过可视化后的小神经元，实际上对应于图像中不同大小的区域。

3.一层神经元

这四个数字分别输入到三个神经元中，这三个神经元中的每个都在执行个小小的逻辑回归单元
第一个神经元的激活值a1，这是三个数构成的向量变成了激活值a的向量，然后传递给该神经网络的最终输出层。


[1]表示层的索引，输出的是激活向量作为第二层的输入，第2层的输入是第1层的输出

【神经网络的工作原理】每一层输入一个数字向量，应用一堆逻辑回归单元，然后计算另一个向量，然后一层接着一层。

4.更复杂的神经网络


使用传统的网络计算层数的方法，不算输入层，共四层

函数g(w,b)是激活函数，激活函数就是能够输出这些激活值的函数

5.前向传播

计算a1


25个神经元25个单元，15个神经元15个单元

计算a2

计算a3 

因为要传播神经元的激活值，所以从左到右的过程称为前向传播forward propagation

6.基于TensorFlow的推理模型

将x设为含有两个数据的二维数组，输入是200摄氏度和17分钟
第一层得到一个包含三个数字的列表，因为第一层有三个单元

【手写数字分类问题】 

在本例中，x是一个含有像素强度值

最低0.47元/天 解锁文章
u8392i120qj8
关注
专栏目录
图神经网络实战（1）——图神经网络(Graph Neural Networks, GNN)基础
盼小辉丶的博客
01-02 8万+
本节全面介绍了图神经网络 (Graph Neural Network, GNN) ，包括其在数据分析和机器学习中的重要性。首先探讨了图作为数据表示的相关概念及其在各个领域的广泛应用；然后深入探讨图学习的重要性，包括不同的应用和技术。最后，重点介绍了 GNN 架构，并对比了它与其他方法之间的原理和性能差异。
神经网络（Neural Networks）是机器学习领域中的一种重要算法
05-28
神经网络
机器学习----神经网络技术详解
最新发布
qq_42538588的博客
08-01 2162
机器学习（Machine Learning, ML）是一种人工智能（Artificial Intelligence, AI）技术，它使计算机能够通过经验自动改进性能，而不需要明确编程。机器学习的核心在于从数据中提取模式和知识，从而使系统能够做出预测或决策。机器学习的方法可以分为监督学习、无监督学习和强化学习等几种主要类型。监督学习：在监督学习中，模型通过一组带标签的训练数据进行训练。训练过程的目标是使模型能够根据输入数据预测正确的标签。例如，分类问题和回归问题都是监督学习的典型应用。
机器学习-神经网络
qq_63974399的博客
08-14 507
机器学习-神经网络
机器学习——神经网络
四川兔兔的博客
04-04 8485
从最基础的神经网络结构，到BP算法公式推导，原理举例，和代码讲解（代码考虑到字数另加的超链接）
机器学习：神经网络
每一个不曾起舞的日子，都是对人生的辜负。
06-12 777
神经网络学习 非线性假设 非线性假设采用神经网络的原因：逻辑回归问题不是解决包含大量特征的数据分类问题好办法。所以我们引入了神经网络。 如果数据包含上百个特征时呢？例如包含上百个特征的房屋分类问题，或者图像识别领域。例如：（x1, x2, x3, … x100），则即便只包含二次项，二次项的个数也会非常的多。这将导致非常多的高阶多项式，多项式规模急剧膨胀。所以逻辑回归问题不是解决包含大量特征的数...
机器学习之神经网络
abc1234564546的博客
07-29 696
机器学习之神经网络
机器学习-神经网络（neural networks）.txt
05-16
机器学习——神经网络（neural networks）机器学习——神经网络（neural networks）机器学习——神经网络（neural networks）机器学习——神经网络（neural networks）机器学习——神经网络（neural networks）机器...
机器学习——神经网络(Neural Network)
qq_41562426的博客
07-03 1616
1、MP模型 Mp模型是最基础，最原始的神经网络模型。MP模型是1943年心理学家W.S.McCulloch和数理逻辑学家W.Pitts建立的。它的主要结构如图1所示。 图1 (来源于浙江大学胡浩基老师的机器学习课程) 2、感知器算法 感知器算法是在MP模型的基础上发展来的，主要可以解决我们在上一节中提到的线性可分问题。主要的算法流程如下所示： (1) 随机选取和; (2) 选取一个训练样本(X,y), 对于这个训练样本作如下判断： if, if, ......
机器学习: 神经网络
玉汝于成
05-30 3436
输出层具有计算能力，也可称为计算层。把拥有一个计算层的网络称为“单层神经网络”。神经网络是一种模拟人脑的神经网络以期能够实现类人工智能的机器学习技术。人脑中的神经网络是一个非常复杂的组织。成人的大脑中估计有1000亿个神经元之多。在机器学习中谈论神经网络时指的是“神经网络学习”，或者说，是机器学习与神经网络这两个学科领域的交叉部分。一个神经元具有多个树突，主要作用是接受传入的信息。一个神经元具有各个轴突，末端有多个神经末梢。神经末梢的作用是与其他神经元产生连接并传递信号。
机器学习 神经网络（Neural Networks）
Yangshengmig_zZ
09-28 723
神经网络1 非线性假设 1 非线性假设 对于我们之前学习过的无论是线性回归还是逻辑回归都有一个这样的缺点，就是当特征太多时，计算的负荷会特别大。尤其是数据并不具有线性关系并且无法直观观察其具有的多项式性质，如下面： 我们在之前的章节中使用过多项式回归，对回归模型中添加多项式项，但是我们仅仅对两个特征添加多项式项就会使得程序运行的效率大大下降，假如我们有100个特征，我们希望使用这100个特征去构建我们的非线性的预测模型，结果的数量级会是令人震惊的，仅仅引入二次项就会使得100个特征变成5000个特征，这对
机器学习 --- 神经网络
weixin_44196785的博客
11-12 4881
神经网络方面的研究很早就已经出现了，最近一类被称为神经网络的算法以深度学习的名字再度流行。深度学习以神经网络为基础，神经网络由多个感知机组成，并引入激活函数，是一个比感知机更复杂，能解决更多问题的模型。 本实训项目的主要内容是基于pytorch框架搭建出卷积神经网络模型，并训练出一个能够正确对手写数字进行识别的模型。 激活函数 #encoding=utf8 def relu(x): ''' x:负无穷到正无穷的实数 ''' #********* Begin ********
《机器学习》 神经网络
甘东的博客
05-16 918
1.神经元模型        神经网络中最基本的成分是神经元模型，即“简单单元”。“M-P神经元模型”，神经元接收到来自nn个其他神经元传递过来的输入信号，这些输入信号通过带权重的连接进行传递，神经元接收的总输入值将与神经元的阈值进行比较，然后通过“激活函数”处理以产生神经元的输出。          理想中的激活函数是阶跃函数，它将输入值映射为输出值“0”或“1”，显然“1”对应神经元兴奋，“0...
头哥机器学习之knn算法
04-18
头哥机器学习是一个知名的机器学习教育平台，提供了丰富的机器学习算法和实践案例。其中，K最近邻算法（K-nearest neighbors，简称KNN）是一种常用的分类和回归算法。 KNN算法的基本思想是：对于一个未知样本，通过计算其与训练集中各个样本之间的距离，找出与其最近的K个样本，然后根据这K个样本的标签进行投票或者取平均值来确定未知样本的类别或者数值。 KNN算法的步骤如下： 1. 计算未知样本与训练集中各个样本之间的距离，常用的距离度量方法有欧氏距离、曼哈顿距离等。 2. 选择K值，即确定最近的K个样本。 3. 根据K个样本的标签进行投票或者取平均值，确定未知样本的类别或者数值。 KNN算法的优点是简单易懂、易于实现，并且对于非线性问题有较好的效果。但是它也有一些缺点，比如计算复杂度高、对于样本不平衡的数据集表现不佳等。
评论 1
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
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