神经网络是一种机器学习算法,模型如下。神经网络由输入层、隐藏层、输出层组成,当隐藏层的层数大于等于2时,叫做深层神经网络,使用深层神经网络算法进行机器学习就叫做深度学习。
感知器 perceptron。
神经网络是由神经元组成的,而激活函数为阶跃函数的神经元就是感知器。
感知器的运作流程是,将输入inputs乘以权重weights,然后相加,再经过激活函数step function,得到一个输出。通过对权重的设置,可以让激活函数代表任意线性函数。
梯度下降 Gradient Decent
梯度下降整体的逻辑就是,通过已知的输入值x和真实的输出值y,求出感知器最合适的参数w。那么如何定义最合适的参数w?我们认为通过感知器计算得到的输出值pred与真实的数值y最接近的时候,那么参数w的值就最合适。
基于以上,在数学里面,通过求导数的方式,我们可以知道通过让w每次加上delta_w的方式,可以让pred 与 y的值越来越接近。
目录
反向传播 Back Propagation
当上面的梯度下降算法,应用到神经网络时,就叫做反向传播算法。核心点就在于:不断的更新每一层的权重w