《DeepLearning.ai》 第三课:浅层神经网络(Shallow neural networks)

第三课:浅层神经网络(Shallow neural networks)3.1 神经网络概述PASS3.2 神经网络的表示如上图,从左到右依次为输入层、隐藏层、只有一个节点的层为输出层,负责输出预测值。一般称上图网络为两层神经网络,一般不把输入层看做一个标准层,因此该网络有一个隐藏层和输出层。在隐藏层有两个参数WWW​和bbb​,通常表示为W[1],b[1]W^{[1]},b^{[1]}W[1],b[1]​,WWW​为4∗34*34∗3​矩阵,bbb​为4∗14*14∗1​矩阵,444​来自
摘要由CSDN通过智能技术生成

第三课:浅层神经网络(Shallow neural networks)

3.1 神经网络概述

PASS


3.2 神经网络的表示

神经网络图

如上图,从左到右依次为输入层隐藏层、只有一个节点的层为输出层,负责输出预测值。

神经网络1

一般称上图网络为两层神经网络,一般不把输入层看做一个标准层,因此该网络有一个隐藏层和输出层。

在隐藏层有两个参数 W W W​和 b b b​,通常表示为 W [ 1 ] , b [ 1 ] W^{[1]},b^{[1]} W[1],b[1]​, W W W​为 4 ∗ 3 4*3 43​矩阵, b b b​为 4 ∗ 1 4*1 41​矩阵, 4 4 4​来自于有四个节点或者隐藏层单元, 3 3 3​表示有三个特征输入。同理我们得到输出层参数 W [ 2 ] , b [ 2 ] W^{[2]},b^{[2]} W[2],b[2]​,他们分别是 1 ∗ 4 1*4 14​和 1 ∗ 1 1*1 11​​维度矩阵​。


3.3 计算一个神经网络的输出

一个神经网络输出

如上图,对于一个训练样本,根据给出一个单独的输入特征向量,根据上限四个公式,进而计算出一个简单神经网络的输出。


3.4 多样本向量化

a [ 2 ] ( i ) a^{[2](i)} a[2](i)对于上面的网络表示的是第 i i i​个训练样本的第二层输出值。

若要实现所有样本,可以使用循环方法来对上面式子进行循环,要注意所有样本要加上 ( i ) (i) (i),比如 z [ 1 ] ( i ) z^{[1](i)} z[1](i),其他也一样,加上上标 ( i ) (i) (i)​​​​,如下图.

image

然而通常使用向量化方法:

image

上图中的 X , Z [ 1 ] , A [ 1 ] X,Z^{[1]},A^{[1]} X,Z[1],A[1]​​矩阵水平方向上代表了不同的训练样本,从竖直方向上代表了不同的隐藏单元(不同的输入特征),将训练样本横向堆叠成一个矩阵X。

向量化方法如下:
Z [ 1 ] = W [ 1 ] X + b [ 1 ] A [ 1 ] = σ ( Z [ 1 ] )

  • 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