最简单的神经网络内部计算原理理解
下面使用到的,是一个具有两个输入节点,以及两个输出节点的极简神经网络。
层1 是输入节点,这层的节点只是展示输入值的功能,不做其他计算。
从输入层到输出层之间总共有四种连接方式(即上面四个绿色箭头),首先,随机初始化这四个连接的权重。权重是神经网络进行学习的内容,这些权重持续进行优化,得到越来越好的结果。
对于第二层输出层,这一层的每个节点,都需要计算出组合输入,即原始输入分别乘以相应的权重并相加,得到的组合输入。然后,利用激活函数,例如sigmoid函数:
y
=
1
1
+
e
−
x
y = \frac{1}{1+e^-x}
y=1+e−x1
注意,激活函数中的x指的就是输出层得到的组合输入。通过激活函数计算得到的结果就是输出层要输出的内容。
上面的层二(输出层)的计算过程如下图所示:
所以根据上面神经网络定义的输入以及各连接权重,最终的结果如下所示:
不管有多少层神经网络,都“一视同仁”,即组合输入信号,应用连接权重调节这些输入信号,应用激活函数,生成这些层的输出信号。