深度学习DeepLearning Inference 学习笔记

神经网络预测

术语

隐藏层	神经元	多层感知器

神经网络概述

应当选择正确的隐藏层数和每层隐藏神经元的数量，以达到这一层的输出是下一层的输入，逐层变得清晰，最终输出数据的目的。

在人脸识别的应用中，我们将图片视作连续的像素值序列，隐藏层不断匹对信息，颗粒从小到大。

正向传播基本原理

神经元层通过逻辑回归，计算出这层的数据参数能有多大的可能性，然后把它作为下一层的输入。

${\vec{w}}_j^{[i]}$, i是层数，j是这一层第几个神经元。从0开始计层，输入层不计。

正向传播一般式

$a_j^i=g({\vec{w}}_j^{[i]}\ast {\vec{a}}^{[i-1]}+b_j^{[i]})$
注：g是激活函数。

这种传播是正向传播

代码

numpy的二维矩阵

x = np.array([[2,1])	一行二列的矩阵数组
x = np.array([[2],[1]])	二行一列的矩阵数组
x = np.array([2,1])	一维数组

numpy与TensorFlow的矩阵规范差异