1. 神经网络
这是一个常见的神经网络的图:
这是一个常见的三层神经网络的基本构成,Layer L1是输入层,Layer L2是隐含层,Layer L3是隐含层,当我们输入x1,x2,x3等数据时,通过隐含层的计算、转换,输出你的期望,当你的输入和输出是一样的时候,成为自编码模型(Auto-Encoder),而当你输入和输出是不一致的时候,也就是我们常说的人工神经网络。
2. 如何计算传播
首先我们先构建一个简单的网络层作为例子:
在这个网络层中有
- 第一层输入层:里面包含神经元i1,i2,截距:b1,权重:w1,w2,w3,w4
- 第二层是隐含层:里面包含h1,h2,截距:b2,权重:w5,w6,w7,w8
- 第三层是输出层:里面包含o1,o2
我们使用sigmoid作为激活函数
PS:如果你觉得这篇文章看起来稍微还有些吃力,或者想要系统地学习人工智能,那么推荐你去看床长人工智能教程。非常棒的大神之作,教程不仅通俗易懂,而且很风趣幽默。
假定我们输入数据
i1: 0.02 i2: 0.04 截距
b1:0.4 b2:0.7 期望的输出数据
o1:0.5 o2:0.9
未知的是权重w1,w2,w3,w4,w5,w6,w7,w8
我们的目的
是为了能的到o1:0.5 o2:0.9的期望的值,计算出w1,w2,w3....w8的权重值
先假如构造一个权重w1,w2,w3.....w8的值,通过计算获取到最佳的w1,w2,w3....w8的权重
权重的初使值:
w1=0.25 w2=0.25 w3=0.15 w4=0.20