【神经网络】

全连接神经网络

全连接神经网络

​ 全连接神经网络是一种连接方式较为简单的人工神经网络结构，某一层的任意一个节点，都和上一层所有节点相连接。

感知器工作机制

​ 感知器即单层神经网络，也即"人工神经元"，是组成神经网络的最小单元

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传](https://img-home.csdnimg.cn/image

神经网络的激活函数

​

​ 在神经网络中可以引入非线性激活函数，这样就可以使得神经网络可以对数据进行非线性变换，解决线性模型的表达能力不足的问题。

常见的激活函数

• Sigmoid激活函数

$$y=\frac{1}{1+e^{-x}}$$

• Relu激活函数

$$y=max(0,x)$$

• tanh激活函数

$$y=\frac{e^x-e^{-x}}{e^x+e^{-x}}=\frac{1-e^{-2x}}{1+e^{-2x}}$$

• Softmax激活函数

$$p_l=\frac{e^{z_l}}{{\sum }_{j=1}^k{e}^{z_j}}$$

Softmax激活函数计算的结果是各个分类的预测概率值，常用于多分类问题

神经网络的过拟合问题

​

​

​ 神经网络因为隐藏层的存在可以实现复杂的非线性拟合功能。但随着神经网络层数加深，神经网络很容易发生过拟合现象（在训练集上表现很好，在未知的测试集上表现很差，即“泛化能力差”）。

解决神经网络过拟合问题的方法

• 正则化

​ 与很多机器学习算法一样，可以在待优化的目标函数上添加正则化项（例如L1、L2正则），可以在一定程度减少过拟合的程度。

• Dropout（随机失活）

​ 可以将Dropout理解为对神经网络中的每一个神经元加上一道概率流程，使得在神经网络训练时能够随机使某个神经元失效。

![外链图片转

**注意： **

• 对于不同神经元个数的神经网络层，可以设置不同的失活或保留概率
• 如果担心某些层所含神经元较多或比其他层更容易发生过拟合，则可以将该层的失活概率设置得更高一些

前向传播与反向传播

前向传播

​ 计算输出值的过程称为“前向传播”：将上一层的输出作为下一层的输入，并计算下一层的输出，一直到运算到输出层为止。

反向传播（Back Propagation,BP）

​ 反向传播（BP）说白了根据根据J的公式对W和b求偏导，也就是求梯度。因为我们需要用梯度下降法来对参数进行更新，而更新就需要梯度。

![外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上

**总结： **

前向传播得到输出，反向传播调整参数，最后以得到损失函数最小时的参数为最优学习参数。

.