- 神经元就是处理单元,处理逻辑称激活函数。
- 多个神经元构成神经网络。
- 输入层经过神经网络,得到输出层。
- 神经元构成的层,称隐藏层,可以有多层,共享输入集和输出集。
- 神经网络训练时,选择一个样本,确定输入层和输出层,根据经验预设激活函数集,然后前向传播,也就是从输入层到输出层方向调整激活函数集的参数。
- 换一个样本,根据新的输入层和当前的神经网络,得到实际输出层。根据损失函数(根据输出的预期值和实际值的差距容忍度的评估方式建立,比如:不同的样本,差距1有的认为大,有的认为小)计算拟合度,然后后向传播,也就是从预期输出层方向到输入层方向调整激活函数集的参数。
- 再次根据损失函数(根据输出的预期值和实际值的差距容忍度建立)计算拟合度。换一个样本,正向传播方式调整激活函数集的参数。
- 反复迭代激活函数参数,甚至调整激活函数类型,让新样本的输出拟合度越来越高,最终得到一个适用于大多数甚至所有样本的激活函数集,