本文介绍了sigmoid神经元的概念，作为对简单感知器的改进，sigmoid通过引入非线性因素，使得权重和偏置单元的小改变仅导致输出的微小变化，从而更好地适应复杂数据的分类问题。文章通过对比感知器，解释了sigmoid神经元如何通过其S型曲线特性提供更平滑的输出，并讨论了导数和偏导数在神经网络学习过程中的作用。
*请注意，这一系列文章的骨架来源于Neural Networks and Deep Learning ，本人阅读后对原文进行提炼和加工，重构了整个文笔以让中文的初学者更容易阅读和理解，并首发于CSDN博客上，转载请先联系本人微信986597353，否则一经发现，视为侵权，必将追究法律责任
导航
第一章 面向幼儿园的人工智能
第一篇： 开篇-机器学习
第二篇： 感知器
第三篇： sigmoid神经元
第四篇： 神经网络的结构
第五篇： 一个简单的分类手写数字神经网络
第二章 面向小学生的机器学习
正文 sigmoid神经元
在上一章我们已经介绍了基于权重和偏置单元的感知器，但我人为的简单粗暴的对权重和偏置单元的设置进行了干涉。仔细想一下，这其实是不合理的。达尔文告诉我们，人类是从猿类进化来的，而猿类，也经过了非常长久的进化，在进化的过程中，实际上并不是上帝手动的进行了干涉，而是自然选择的结果，是生物基于生存的环境发生的变化。同样，虽然我们没办法设计出大自然如此精妙的系统，但是手动的去调整权重和偏置单元显然是一种非常低效的且未必正确的行为，这时候我们会想设计出一些方法，这些方法可以帮助我们，根据环境（输入值）来自动调整权重和偏置单元。
在未完成学习之前，在阅读本章的时候请先把sigmoid神经元认为是一种特殊的感知器。
但是我们如何才能为我们的神经网络设计一个方法呢？让我们先假设我们的神经网络的输入可能是扫描或者手写的图片数字数原生像素数据，而我们想要神经网络可以去学习自行计算出最优权重和
最低0.47元/天 解锁文章
扫一扫
664
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
