人工智能第五次作业

1.人工智能、机器学习、深度学习之间的关系

 人工智能是一个领域，机器学习是人工智能领域所研究的一部分，深度学习是机器学习中的一种方法，它们是逐层包含关系。

 

 其中机器学习和深度学习的区别，在于机器学习多了人工特征提取这一步，而深度学习完全靠机器。

 

2.神经网络与深度学习的关系

神经网络是模型，深度学习是方法，多层神经网络模型，可以看成使用了深度学习的方法。

3.“深度学习”和“传统浅层学习”的区别和联系

区别:深度学习采用了多层神经网络模型，具有更多的隐藏层，而传统浅层学习只用了一层神经网络，它无法解决异或问题，而深度学习，解决了异或问题。

联系:深度学习建立在传统浅层学习基础之上，都是机器学习中的方法。

4.神经元、人工神经元

神经元:神经系统最基本的结构和功能单位

 

人工神经元:将神经元进行数学上的抽象，得到人工神经元模型，把神经元树突接收到的不同信号当作不同的xi变量，并为不同的信号赋予不同的传输权重wi。每个变量根据权重进行线性累加，然后经过一个激活函数f得到一个新值，这个值就是输出y。

 

5.MP模型

对不同的输入赋予不同的权重，然后对所有输入进行线性加权求和，判断和是否超过某一阈值，超过则输出1，否则输出-1。

 

6.单层感知机 SLP

由一个输入层一个输出层构成，在MP模型的基础上引入偏置b，即构成了单层感知机，可以用于区分线性可分数据。

 

7.异或问题 XOR

异或:相同为零(一类)，不同为一(另一类)，异或问题线性不可分

8.多层感知机 MLP

包含一个输入层，一个输出层，一个或多个隐藏层，隐藏层处于中间，对外部不可见。

9.前馈神经网络 FNN

接收前一级的输入，并输出到下一级，模型中没有反馈，其中层间全连接，层内无连接

10.激活函数 Activation Function

激活函数一般都是非线性的，用于对输入函数进行非线性变换，如Sigmoid函数，在神经网络中引入非线性，从而强化网络的学习能力。一下为常见的几种激活函数:

11.为什么要使用激活函数？

为了使神经网络符合常见的大多数数据分布，强化网络的学习能力。

12.常用激活函数有哪些？

Sigmoid函数、Tanh函数、ReLU函数、SoftMax函数等

 

 

13.均方误差和交叉熵损失函数，哪个适合于分类？哪个适合于回归？为什么？

均方误差损失函数适用于回归，交叉熵损失函数适用于分类。因为均方误差损失函数，通过预测计算预测值与真实值间的误差的平方来衡量模型的优劣，适用于回归，而交叉熵损失函数通过概率分布q来表达概率分布p的困难程度，适用于分类。