目录
什么是全连接神经网络?
这张图片在视网膜形成图像后被转换成神经冲动,然后经过视觉神经的传导信号到达大脑,经过大脑皮层对信号的处理我们可以得出判断,这是一只猫,当然有些人可能再根据它的颜色和花纹继而判断出这是一只美短。
再抽象一下刚才的传递路径,信息由视网膜接收,信号传递到视觉神经,最后再传到大脑皮层,当然这其中的每一层都是由很多神经元组成,前一层的神经元连接着下一层的神经元,这就组成了一个简单的神经网络模型,在前面的这一列是输入层神经元,中间的一列是隐藏层,最后的一层是输出层。这幅图中的隐藏层我只画出来了一层,实际上是可以有很多层的,层和层之间是全连接的结构,同一层的神经元之间没有连接。这种神经网络也叫做全连接神经网络。
输入层(Input layer):众多神经元(Neuron)接受大量非线形输入讯息。输入的讯息称为输入向量。
输出层(Output layer)讯息在神经元链接中传输、分析、权衡,形成输出结果。输出的讯息称为输出向量。
隐藏层(Hidden layer):简称“隐层”,是输入层和输出层之间众多神经元和链接组成的各个层面。如果有多个隐藏层,则意味着多个激活函数
神经元的基本结构
·X1、X2表示输入向量
·W1、W2为权重,几个输入则意味着有几个权重,即每个输 入都被赋予一个权重
·b为偏置bias
·g(z)为激活函数
·a为输出值
举个例子,我们决定晚上去不去食堂吃饭,假如有两个决定因素,首先是食堂有没有你喜欢的饭菜,其次是有没有人陪你一起去,这二个因素可以对应二个输入,分别用x1、x2表示。此外,这二个因素对做决策的影响程度不一样,各自的影响程度用权重w1、w2表示。
X1:代表有没有你喜欢的饭菜,x1=1代表有,X1=0代表没有,假设它的权重是7.
X2:代表是否有人陪你去,x2=1代表有,X2=0代表没有,是否有人陪同的权重 = 3。
这样,咱们的决策模型便建立起来了:g(z) = g( x1*w1 +x2 *w2 + b ),g表示激活函数,这里的b可以理解成为更好达到目标而做调整的偏置项。
神经元的激活函数
常用的非线性激活函数有sigmoid、</