本文介绍了深度学习的基础，通过李宏毅机器学习课程讲解了神经网络的构造，包括全连接神经网络（前馈神经网络）的结构和功能。讨论了神经元、隐藏层的概念，以及如何利用sigmoid激活函数构建网络。此外，还概述了深度学习的三个步骤：定义函数集、评估函数优劣和选择最佳函数，特别强调了损失函数和梯度下降法中的反向传播算法。最后提到了通用逼近定理，并预告了深度学习必要性的探讨。
在上一节课的最后，我们发现logistic regression的局限是不能处理非线性数据，因此提出了特征转换。而特征转换往往不是可以一眼看出来的，所以我们先通过两个logistic regression来提取特征，再把提取的特征作为最终分类的输入。如果把每个logisitc regression称为神经元（neure），那么把很多个神经元连起来就构成了神经网络（Neral Network）!
当然，这只是深度学习简单的引入，这节课来看看最简单的神经网络结构——全连接神经网络（Full connected feedforward network,又称前馈神经网络 ），和神经网络学习的一般步骤。
神经网络的起起落落起起起......值得注意的是GPU运算大大提高了深度学习的速度，同时近几年深度学习在图像识别和语音识别，NLP等领域大放异彩，吸引了很多研究者。
深度学习就像把大象装进冰箱一样简单：
step1: define a set of function
Neural Network
神经元之间不同的连接产生不同的网络结构，神经网络的参数是所有“”neurons”的weigts和biases
最低0.47元/天 解锁文章
扫一扫
556
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
