【机器学习笔记】第6章：神经网络：表示

最新推荐文章于 2024-04-13 21:24:09 发布

Keveonnn

最新推荐文章于 2024-04-13 21:24:09 发布

阅读量413

点赞数

分类专栏：机器学习文章标签：机器学习神经网络

本文链接：https://blog.csdn.net/qq_45474860/article/details/104606166

版权

机器学习专栏收录该内容

15 篇文章 0 订阅

订阅专栏

文章目录

第6章：神经网络：表示

第6章：神经网络：表示

6.1 非线性假设 Non-linear hypotheses

非线性分类的例子：
在这里插入图片描述
非线性假设，会因为特征量的增多导致二次项数的剧增，从而增大计算负荷。
在线性回归和逻辑回归中，使用非线性的多项式项，能够帮助我们建立更好的分类模型。但是当特征太多时，会导致计算量巨大。例如在房价预测中，房屋有100个特征变量，用这100个特征来构建一个非线性的多项式模型，即便我们只采用二次项 $x_ix_j$ ，也有约5000个二次项数。

关于计算机视觉的例子：
假设需要使用机器学习算法训练一个分类器，用来检测图像判断是否是汽车。
在这里插入图片描述
假如我们将图片的像素值作为特征，只选用灰度图片，每个像素则只有一个值（非RGB值），我们可以选取图片上的两个不同位置上的两个像素，然后训练一个逻辑回归算法，利用这两个像素的值来判断图片上是否是汽车。一个50×50像素的图片，拥有的特征量为2500，那么它的二次项数为2500×2500/2（约3百万个）。普通的逻辑回归模型，不能有效地处理这么多的特征，而神经网络被认为是在学习复杂的非线性假设时很好的算法。

6.2 模型表示 Model representation

在一个神经网络里或在我们实现的人工神经网络里。我们将使用一个很简单的模型来模拟神经元的工作，将神经元模拟成一个逻辑单元。
在这里插入图片描述
这就是一个简单的模型，模拟神经元，可以将上图中的黄色圈看成类似于神经元细胞的东西，通过输入通道传递给它一些信息，经过神经元做一些计算，通过输出通道输出计算结果 $h_\theta(x)$ ，这里的 $h_\theta(x)=\frac{1}{1+e^{-\theta^Tx}}$ 。
参数向量：
在这里插入图片描述
上述的图中定义的是一个带有sigmoid或logistic激活函数的人工神经元，在神经网络中，激活函数是指非线性函数 $g (z)$ ，这里的 $g(z)=\frac{1}{1+e^{-z}}$ 。另外，参数 $\theta$ 也被称为权重。

神经网络其实是一组神经元连接在一起的集合：在这里插入图片描述
上图是一个三层神经网络，第一层为输入层，第二层为隐藏层（隐藏层可能不止一个），第三层为输出层。增加一个额外的 $x_0$ ，它有时也被称为偏置单元或偏置神经元，一般设 $x_0=1$ 。

为了更好的解释这个神经网络具体的计算步骤，下面介绍符号解释：
$a_i^{(j)}$ 表示第j层第i个神经元或单位的激活项（指由一个具体神经元计算并输出的值）；
$\Theta^{(j)}$ 表示权重矩阵，它控制从第 $j$ 层到第 $j + 1$ 层的映射。
对于上图所示的模型，激活单元和输出分别表示为： $a_1^{(2)}=g(\Theta_{10}^{(1)}x_0+\Theta_{11}^{(1)}x_1+\Theta_{12}^{(1)}x_2+\Theta_{13}^{(1)}x_3)$ $a_2^{(2)}=g(\Theta_{20}^{(1)}x_0+\Theta_{21}^{(1)}x_1+\Theta_{22}^{(1)}x_2+\Theta_{23}^{(1)}x_3)$ $a_3^{(2)}=g(\Theta_{30}^{(1)}x_0+\Theta_{31}^{(1)}x_1+\Theta_{32}^{(1)}x_2+\Theta_{33}^{(1)}x_3)$ $h_\Theta(x)=a_1^{(3)}=g(\Theta_{10}^{(2)}a_0^{(2)}+\Theta_{11}^{(2)}a_1^{(2)}+\Theta_{12}^{(2)}a_2^{(2)}+\Theta_{13}^{(2)}a_3^{(2)})$
下面展示一个向量化的实现方法。
将激活函数 $g (z)$ 里的参数设为 $z_1^{(2)},z_2^{(2)},z_3^{(2)}$ ，上标表示与第i层有关。得出： $a_1^{(2)}=g(z_1^{(2)})$ $a_2^{(2)}=g(z_2^{(2)})$ $a_3^{(2)}=g(z_3^{(2)})$ 向量化实现方法的过程：
在这里插入图片描述
这是计算 $h_\Theta(x)$ 的过程，也称为前向传播：依次计算激活项，从输入层到隐藏层再到输出层的过程。