前馈神经网络
神经元(M-P模型)
感知器
- 与M-P模型自己设置参数不一样,感知机实现模型自己训练参数(有监督学习方式)
- 思路:
w
i
=
w
i
+
α
(
r
−
y
)
x
w_i = w_i + \alpha(r-y)x
wi=wi+α(r−y)x,
θ
=
θ
−
α
(
r
−
y
)
x
\theta = \theta - \alpha(r-y)x
θ=θ−α(r−y)x,其中r为期望输出,y是实际输出
多层感知机
- 单层感知机只可以解决线性问题,不能解决线性不可分问题,比如异或问题
- 多层感知机也被称为前馈网络或者正向传输网络
- 多层感知机的训练使用BP(误差反向传播算法)
BP算法
- 比较实际输出与期望输出得到误差信号,把输出层的误差信号从输出层逐层向前传输各层的误差信号(不是一直传输输出层的误差信号!!),调整权重(使用梯度下降的方法)以减小误差
激活函数
- 在M-P模型中激活函数使用的是f,f满足x<0为0,x>0为1;在零点不可导;
- 自此,提出来sigmod函数
优化问题
- 不同的误差损失函数会有各种问题,比如梯度消失和梯度下降问题