深度学习入门:神经网络

1.从感知机到神经网络

y = { 0      ( w 1 x 1 + w 2 x 2 + b ≤ 0 ) 1      ( w 1 x 1 + w 2 x 2 + b > 0 ) y=\left\{ \begin{aligned} 0\ \ \ \ (w_1x_1+w_2x_2+b\le0)\\ 1\ \ \ \ (w_1x_1+w_2x_2+b>0)\\ \end{aligned} \right. y={0    (w1x1+w2x2+b0)1    (w1x1+w2x2+b>0)进一步简化,得到: y = h ( b + w 1 x 1 + w 2 x 2 ) y = h(b+w_1x_1+w_2x_2) y=h(b+w1x1+w2x2),其中 h ( x ) = { 0     ( x ≤ 0 ) 1     ( x > 0 ) h(x)=\left\{ \begin{aligned} 0 \ \ \ (x\le0)\\ 1 \ \ \ (x>0) \end{aligned} \right. h(x)={0   (x0)1   (x>0)
这里 h ( x ) h(x) h(x)即被称作激活函数,上面选择的是阶跃函数。

2.激活函数

2.1 s i g m o i d sigmoid sigmoid函数

定义: h ( x ) = 1 1 + e − x h(x)=\frac {1}{1+e^{-x}} h(x)=1+ex1
实现:

def sigmoid(x):
	return 1/(1+np.exp(x))
2.2阶跃函数

实现:

def step_function(x):
	y = x>0
	return y.astype(np.int)

2.3 R e L U ReLU ReLU函数

定义:
h ( x ) = { x    ( x > 0 ) 0    ( x ≤ 0 ) h(x)=\left\{ \begin{aligned} x \ \ (x>0)\\ 0 \ \ (x\le0) \end{aligned} \right. h(x)={x  (x>0)0  (x0)
实现:

def relu(x):
	return np.maximum(x, 0)

3.神经网络的内积

如图所示的神经网络:
在这里插入图片描述
x 1 x_1 x1 y 1 , y 2 , y 3 y_1,y_2,y_3 y1,y2,y3的权重分别为 1 , 3 , 5 1,3,5 1,3,5, x 2 x_2 x2 y 1 , y 2 , y 3 y_1,y_2,y_3 y1,y2,y3的权重分别为 2 , 4 , 6 2,4,6 2,4,6,那么信号传递到 y 1 , y 2 , y 3 y_1,y_2,y_3 y1,y2,y3就分别应为:
y 1 = x 1 ⋅ 1 + x 2 ⋅ 2 y 2 = x 1 ⋅ 3 + x 2 ⋅ 4 y 1 = x 1 ⋅ 5 + x 2 ⋅ 6 y_1=x_1 \cdot 1+x_2 \cdot 2\\ y_2=x_1 \cdot 3+x_2 \cdot 4\\ y_1=x_1 \cdot 5+x_2 \cdot 6 y1=x11+x22y2=x13+x24y1=x15+x26
用矩阵表示为:
( y 1 y 2 y 3 ) = ( x 1 x 2 ) ⋅ ( 1 3 5 2 4 6 ) \begin{pmatrix} y_1 & y_2 & y_3 \end{pmatrix}= \begin{pmatrix} x_1 & x_2 \end{pmatrix} \cdot \begin{pmatrix} 1 & 3 & 5 \\ 2 & 4 & 6 \end{pmatrix} (y1y2y3)=(x1x2)(123456)
n u m p y numpy numpy实现:

x = np.array([1, 2])
w = np.array([[1,3,5],[2,4,6]])
y = np.dot(x, w)

4.输出层的设计

s o f t m a x softmax softmax函数

定义:
y k = e a k ∑ i = 1 n e a i y_k=\frac{e^{a_k}}{\sum\limits_{i=1}^ne^{a_i}} yk=i=1neaieak
实现:

def softmax(a):
	c = np.max(a)
	exp_a = np.exp(a - c)    #防止溢出
	exp_sum = np.sum(exp_a)
	y = exp_a/exp_sum
	return y
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值