吴恩达深度学习——DAY3

最新推荐文章于 2024-10-05 19:19:55 发布

qq_45948088

最新推荐文章于 2024-10-05 19:19:55 发布

阅读量943

点赞数

文章标签：深度学习神经网络

本文链接：https://blog.csdn.net/qq_45948088/article/details/122048587

版权

一、神经网络的表示

输入特征 ? 1 、 ? 2 、 ? 3 ，它们被竖直地堆叠起来，这叫做神经网络的 输入层 。它包含了神经网络的输入；然后这里有另外一层我们称之为隐藏层，最后一层只由一个结点构成，而这个只有一个结点的层被称为 输出层，它负责产生预测值。

隐藏层：在一个神经网络中，当你使用监督学习训练它的时候，训练集包含了输入?也包含了目标输出?，所以术语隐藏层的含义是在训练集中，这些中间结点的准确值我们是不知道到的，也就是说你看不见它们在训练集中应具有的值。

注意一下下图中的几个表示符号：

双层神经网络结构如下：

二、神经网络的计算与输出

神经网络的计算的计算这里主要用逻辑回归。逻辑回归的计算有两个步骤，首先你按步骤计算出z ，然后在第二步中你以 sigmoid 函数为激活函数计算z （得出a），一个神经网络只是这样子做了好多次重复计算。注意这里用到的是sigmoid 函数，后面会提到用其他的激活函数。

注意使用向量化计算

三、激活函数

前面用到的都是 sigmoid 激活函数，但有时其他的激活函数效果会更好。

更通常的情况下，使用不同的函数g( $z^{[1]}$ ) ，g可以是除了 $\sigma$ 函数意外的非线性函数。tanh 函数或者双曲正切函数是总体上都优于 $\sigma$ 函数的激活函数。所以基本不使用 $\sigma$ 函数了，只不过在二分类问题中，输出层y的值是0或1，所以想要 $\hat{y}$ 的值解与0和1之间，所以需要用到 $\sigma$ 激活函数。

a = tanh(z)的值域是位于+1和-1 之间，其均值是更接近0而不是0.5，效果更好。

a=tanh(z)= $\frac{e^{z}-e^{-z}}{e^{z}+e^{-z}}$

sigmoid 函数和 tanh 函数两者共同的缺点是，在z特别大或者特别小的情况下，导数的梯度或者函数的斜率会变得特别小，最后就会接近于 0 ，导致降低梯度下降的速度。

四、修正线性单元的函数（ReLu）

图示是上图左下角那个，公式：a=max(0,z)，要z是正值的情况下，导数恒等于 1，当z是负值的时候，导数恒等于 0。

选择激活函数的经验法则：如果输出是 0、1 值（二分类问题），则输出层选择 $\sigma$ 函数，然后其它的所有单元都选择 Relu 函数。如果在隐藏层上不确定使用哪个激活函数，那么通常会使用 Relu 激活函数。有时，也会使用 tanh 激活函数，但 Relu 的一个优点是：当z是负值的时候，导数等于 0。但是，如果不确定哪一个激活函数效果更好，可以把它们都试试，然后在验证集或者发展集上进行评价。然后看哪一种表现的更好，就去使用它。

另一个版本的 Relu 被称为 Leaky Relu（公式：a=max(0.01z,z)，这里的常数0.01可以选择不同的参数值）：当z 是负值时，这个函数的值不是等于 0，而是轻微的倾

斜，在实际中 Leaky ReLu 使用的并不多，但效果通常好于Relu激活函数。

几种激活函数的对比：Relu和Leaky Relu在z区间变动很大时斜率都会远大于 0，在实践中，使用 ReLu 激活函数神经网络通常会比使用 sigmoid 或者 tanh 激活函数学习的更快。sigmoid 和tanh 函数的导数在正负饱和区的梯度都会接近于 0，这会造成梯度弥散，而 Relu 和 Leaky ReLu 函数大于 0 部分都为常数，不会产生梯度弥散现象。(同时应该注意到的是，Relu 进入负半区的时候，梯度为 0，神经元此时不会训练，产生所谓的稀疏性，而 Leaky ReLu 不会有这问题)。z在 ReLu 的梯度一半都是 0，但是，有足够的隐藏层使得 z 值大于 0，所以对大多数的训练数据来说学习过程仍然可以很快。

五、不选用线性函数

明如果你在隐藏层用线性激活函数，在输出层用 sigmoid 函数，那么这个模型的复杂度和没有任何隐藏层的标准 Logistic 回归是一样的，或仅仅只是输入特征x的线性组合。

不能在隐藏层用线性激活函数，可以用 ReLU 或者 tanh 或者 leaky ReLU 或者其他的非线性激活函数，唯一可以用线性激活函数的通常就是输出层；除了这种情况，会在隐层用线性函数的，除了一些特殊情况，比如与压缩有关的，那方面在这里将不深入讨论。在这之外，在隐层使用线性激活函数非常少见。