神经网络的分类
BP神经网络是传统的神经网络,只有输入层、隐藏层、输出层,其中隐藏层的层数根据需要而定。而这种网络训练复杂度太高,于是有了新的多层神经网络(深度学习),如CNN(卷积神经网络)、RNN(循环神经网络),多了卷积层、降维层等等,训练方式也改变了。
这些网络都是机器学习的一种。机器学习方法是计算机利用已有的数据,得出了某种模型,并利用此模型预测未来的一种方法。
本文主要介绍BP神经网络。
感知机
感知机通过一些二进制的输入x1,x2,…,代表不的影响决策的因素,然后产生一个二进制的输出:
用权重w1,w2…来表示各个输入对输出的重要性。神经元的输出,要么是0要么是1,由权重和w1x1+w2x2+w3x3+…的值是否小于或者大于某一阈值b来确定。感知机网络如下,左侧为输入层;中间为隐藏层,隐藏层的每一个感知机都通过权衡第一层的输出结果作为输入,这样以来第二层的感知机可以比第一层做出更加复杂和抽象的决策,更复杂的决策可以在第三层做出;右侧为输出层,输出层的维度为分类的类别个数。