在学习本文之前可以参考(里面含有损失函数和交叉熵的基本概念)
https://blog.csdn.net/qq_41821067/article/details/115358983
目录
一个神经元中包括线性模型和激励函数部分。
神经网络
输入层不对数据做任何处理,不计入层数,隐藏层可以有一层,也可以有多层,输出层是最后一层。根据不同的需求,输出层的格式也是不同的。
网络训练
网络训练中用到了数学,统计学,最优化等众多学科。
输入
这里我们提到了量化处理,那么什么是量化处理,就是根据一定的规则进行编码,例如归一化,白化,灰度化,嵌入等。
输出
网络结构
每个网络都相当于一个函数g(x|Θ),为了区别不同的网络层,用下标表示,如g1(x|Θ1),g2(x|Θ2.)…
要解决的问题就是f(x|Θ)中的Θ取什么值,每层中的gi(x|Θi)取什么值,这些值确定下来,就可以进行训练
损失函数
损失函数是训练者自己定义的,表示模型误差的大小,
求解极小值
求解损失函数极小值的过程就是训练的过程,
神经元串联
模型工作
模型训练之后,模型就开始工作了。就是将输入值代入到训练好的模型函数中,得到一个输出值。这个过程是非常简单的,因为只是一个简单的加减乘除运算。
这也得到很多模型都是训练的时候时间很长,是反向传播的过程,工作是一个样本正向传播的过程。
损失函数
我们平常接触到的损失函数含有很多的项
线性和非线性
在没有非线性函数之前,我们使用贝叶斯,决策树,支持向量机等传统机器分类模型进行机器学习,提取特征是其中一个重要的环节,
处理线性不可分
使用多层线性分类器模拟的堆叠
SVM用升维来处理线性不可分的问题,神经网络的每一个神经元都是一个线性分类器,
对于上面的一个四边形,怎么对他进行分类,一边是四边形内的点,一边是四边形外面的点,我们用四条直线(红线),也就是4个线性分类器对其进行分类。
因为神经网络中有很多层,每一层有很多神经元,一个神经元可以看成一个线性分类器,这样线性不可分模型就可以被分类。
随着维度和深度的增加,分类器也会越来越复杂,可以用与,或,非,这些进行线性分类器叠加。
分类器类别
预处理
1、宽度归一化
全连接网络
手写数字识别
我们只要输入数据样本,机器就会学习这个样本,通过输入图片的向量的特征,与f(x|Θ)中的Θ进行计算。
1、输入格式
28*28像素的手写数字图片,归一化处理的灰度值,0代表黑色,1代表白色,小数就是灰度值
2、输出标签
10维的独热向量
[0,0,1,0,0,0,0,0,0,0]
代表的就是2,具有含义唯一性,无法用这向量表示其他数字
网络模型
输入是一个1784的矩阵,FCI 是一个全连接层,其中有500个神经元,,其实是一个784500的矩阵,ReLU 是激活函数,对FCI输出的1500的矩阵的每一个维度进行处理,FC2也是一个全连接层,是一个50010的矩阵,其中FCI和RelU是一个2层的隐藏层。
代码
import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms
# Device configuration
device = torch.device('c