深度学习笔记（二）

文章目录

• 前言

• 一、感知机

• 二、卷积神经网络

---

前言

提示：本文关于深度深入学习

 

一、感知机

1）感知机是一个接收多个输入，输出单个输出的算法。一个N维空间。

2）感知机可类似当人体的神经元理解。——根据输入值比例不同找到不同权重求和输出值来判断是什么物体

感知机模型（神经元感知过程）：

f(x)=sign(w*x+b)

先对+1与-1进行定义再进行计算判断。

x>=0→f（x）= +1；

x<0→f（x）= -1

有一系列输入（x）——实例的特征向量（树突）→通过权重（w）计算值再进行加权求和（细胞体）→当加权求和的值大于一个预定值之后就会产生输出值（轴突）（取-1或1）

偏置——偏置神经元允许分类器向左或向右移动决策边界，有助更快、更高质量地训练模型。（w0）

3）感知机几何解释

线性方程：w*x+b=0

对应于超平面S（N维空间里一个N-1维子空间）      w为法向量，b截距，分离正、负类。

对于感知机模型为一个分离超平面——就是一条直线。直线能把两类数据切割分在两边则认为感知机几何上的解释。

4）如何定义损失函数：

误分类点到超平面的总距离。

误分类点趋近于0时为理想情况。

二、卷积神经网络

补充在第一篇文章内

作者自我感觉多个感知机的结构就形成了一个卷积。