机器学习中的神经网络初认识

最新推荐文章于 2023-07-31 17:28:51 发布

MinJinFan

最新推荐文章于 2023-07-31 17:28:51 发布

阅读量806

点赞数

分类专栏： Machine Learning 文章标签：机器学习

本文链接：https://blog.csdn.net/qq_37264323/article/details/106269478

版权

本文介绍了神经网络的基础知识，包括单个神经元的概念、激活函数如sigmoid的特性，以及神经网络中隐藏层和输出层的作用。通过实例展示了如何使用神经网络实现逻辑与、或和同或操作。

摘要由CSDN通过智能技术生成

（可以先回顾一下我们初中学习过的生物课中神经元）。

$[x_{0},x_{1},x_{2},\cdots ,x_{n}]^{T}$ ：特征输入向量，其中 $x_{0}$ 是偏置项；
$[\theta_{0},\theta_{1},\theta_{2},\cdots ,\theta_{n} ]^{T}$ ：有的地方写成 $[w_{0},w_{1},w_{2},\cdots ,w_{n}]^{T}$ ，权重向量；
黄色圈圈：神经元，也叫做激活函数。
$h_{\theta}(x)$ ：输出

常用的非线性激活函数有sigmoid、tanh、relu等等。简要介绍下最基础的sigmoid函数(该函数我们在逻辑回归中用到过)：

形式为： $g(z) = \frac{1}{1+e^{-z}}$

图形为：

从图形上可以直观的看出来，sigmoid函数的功能是相当于把一个数压缩至0到1之间。当z是大的正数时（大于4），g(z)会趋近于1，而z是小的负数时（小于-4），则g(z)会趋近于0。

第一层称为输入层：因为在这一层输入特征， $x_{1},x_{2},x_{3},\cdots ,x_{n}$
第三层是输出层：因为它是计算结果。
中间层为隐藏层：因为在整个体系中，可以看见输入层的值，也可以看见输出层的值，但中间那一层的值是不知道的。实际上，除了输入层、输出层，其他层都被称之为隐藏层。如果有多个隐藏层就有多个激活函数。

每一层都可能由单个或者多个神经元组成，每一层的输出将会作为下

关注

专栏目录