本文介绍了神经网络的基础知识，包括输入层、隐匿层和输出层的结构。重点讲解了神经元的激活函数（如sigmoid）、拓扑结构以及学习算法——反向传播误差算法。在训练过程中，通过梯度下降法调整权重，以最小化输入层到输出层的预测误差，实现参数优化。
神经网络一般包括三层
输入层
隐匿层
输出层
每一个输入的数据，与相应的权重进行相乘，得到新的数值进入隐匿层，再隐匿层进行相应的数据变换(即经过激活函数的变换)新得到的数据是否到达激活函数的阈值，又称结果进行下一步的输出 。
a(i)是激活函数
o(i)是阈值函数
神经网络的三个要素
1.拓扑结构
分层结构
互联网结构
2.神经元的特性
即O(i）与neti之间的符合函数之间的关系
sigmoid 函数，其与k值有关，当k无穷大的时候，整个函数区域趋于宇哥连续的[0,1]函数
8140
2060
3055
2069
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
