更新:文章迁移到了这里,
http://lanbing510.info/2014/11/07/Neural-Network.html,有相应的PPT链接。
注:整理自向世明老师的PPT
看不到图片的同学可以直接打开链接:
https://app.yinxiang.com/shard/s31/sh/61392246-7de4-40da-b2fb-ccfd4f087242/259205da4220fae3
内容提要
2 前馈网络(单层感知器,多层感知器,径向基函数网络RBF)
3 反馈网络(Hopfield网络,
联想存储网络,SOM,Boltzman及受限的玻尔兹曼机RBM,DBN,CNN)
发展历史
单层感知器
1 基本模型
2 如果激励函数是线性的话,可用最小二乘直接计算
3 如果激励函数是sifmoid function,可迭代更新(一次性或者逐样本更新)
上式只做了简单的求导展开,很容易推导
多层感知器
1 基本模型
2 举例(含有一个隐含层的多层感知器MLP)
模型:
y=h(v)=h(h(u))
求解:
这里怎么转换到6k(xi)的?
然后分别对两个层的权值求导:
然后更新即可,反向传播(BP)
3 经验
4 优缺点
RBF神经网络
1 模型
2 求解
3 优点和视角
深度学习简介
1 前向神经网络
2 发展历程
3 整体一览
4 一些值得关注
学术
工业
Belief Network & Hopfield Network & Boltzman机 & RBM 结构一瞥
1 Belief Network
2 Hopfield Network
3 Boltzman机
4 RBM 受限的玻尔兹曼机
RBM
1 模型
利用上图中公式,可以得到
2 求解 CD算法
DBN
1 模型
2 训练
面向特征提取
面向分类
DBM
模型
CNN
1 模型
2 训练
参考文献