1.人工智能、机器学习、深度学习之间的关系
人工智能是一个领域,机器学习是一种实现人工智能的方法,深度学习是一种实现机器学习的技术。
2、神经网络与深度学习的关系
神经网络是模型,深度学习是一种学习方法,神经网络可以看成是一种特殊的深度学习。
3、“深度学习”和“传统浅层学习”的区别和联系
传统浅层学习是分段学习,输入经验越多,表现越好。
深度学习是端到端学习。
联系:都先提取特征,再输出编码,完成判断。
4、神经元、人工神经元
神经元:在生物学上,神经元细胞有兴奋和抑制两种状态,正常情况下处于抑制状态,受到刺激超过一定阈值就变为兴奋状态。
人工神经元:人工神经元是对生物神经元的一种形式化描述,它对生物神经元的信息处理过程进行抽象,并用数学语言予以描述;对生物神经元的结构和功能进行模拟,并用模型图予以表达。
5、MP模型
对输入进行线性加权求和,判断与一个值的大小,输出不同的数。
6、单层感知机 SLP
由一个输入层输出层构成,引入偏置b,构成单层感知机。
7、异或问题 XOR
相同为零,不同为一,线性不可分。
8、多层感知机 MLP
由输入层、输出层、以及至少一个隐藏层组成,中间是隐藏层,外部不可见。
9、前馈神经网络 FNN
接收前一级的输入,并输出到下一级,模型中没有反馈。
10、激活函数 Activation Function
激活函数数据分布绝大多数是非线性的,对输入信息进行非线性变换。
11、为什么要使用激活函数?
在神经网络中引入非线性,强化网络的学习能力。
12、常用激活函数有哪些?
Softmax函数,Sigmoid函数,Tanh函数,Relu函数。
13、均方误差和交叉熵损失函数,哪个适合于分类?哪个适合于回归?为什么?
均方误差损失函数适合于回归,交叉熵损失函数适合于分类。均方误差损失函数通过计算预测值和实际值之间误差的平方蕾衡量模型优劣,适合回归。交叉熵损失函数通过概率分布q来表达概率分布p的困难程度,适合分类。