点击上方“机器学习与生成对抗网络”,关注星标
获取有趣、好玩的前沿干货!
来源:知乎—jerryjee
地址:https://zhuanlan.zhihu.com/p/396204813
01
概述
神经网络之所以强大,在于它强大的模拟能力。理论上,它可以以无限小的误差模拟任意函数。
也就是说,可以利用神经网络构建任意函数,得到任意算法。
这里使用一些可视化的样例,帮助大家获得一些直观的理解。
02
一元函数的模拟
直线
这个是最简单的情况,我们使用一个不带激活函数的神经元即可模拟。
通过调整 参数,即可模拟任意直线。
阶跃函数Step Function
我们使用一个带Sigmoid激活函数的神经元来模拟。
随着 参数继续增大,神经网络就会逐步逼近该函数。
矩形脉冲函数
我们分成几步来模拟:
1. 使用1个神经元来模拟函数的左半部分。
2. 使用1个神经元来模拟函数的右半部分(上下颠倒)。
3. 再使用一个神经元将前2步的图像进行合成
得到的结果很好地近似了目标函数。
其它一元函数
利用矩形脉冲函数,我们很容易近似其它任意函数,就像积分原理一样。
03
二元函数的模拟
平面
这个是最简单的情况,我们使用一个不带激活函数的神经元即可模拟。
通过调整 参数,即可模拟任意平面。
二元阶跃函数Step Function
我们使用一个带Sigmoid激活函数的神经元来模拟。
二元矩形脉冲函数
与一元函数的情况类似,我们分步实现它:
1. 使用一个神经元来模拟函数的一个边缘
2. 然后我们可以得到以下函数:
3. 最后,可以合成以下函数
最终的神经网络结构如下图所示:
其它二元函数
利用二元矩形脉冲函数,我们很容易近似其它任意二元函数,就像积分原理一样。
n元函数的模拟
原理一样,自己想象!
04
问题
我们已经拥有了数字电路以及软件程序算法,为什么还需要神经网络?
构建与数字电路之上的软件程序也可以模拟任意函数,那为什么还要发明人工神经网络呢?
参考软件
更多内容及可交互版本,请参考App:神经网络与深度学习
猜您喜欢:
CVPR 2021 | GAN的说话人驱动、3D人脸论文汇总
附下载 |《TensorFlow 2.0 深度学习算法实战》
附下载 | 超100篇!CVPR 2020最全GAN论文梳理汇总!