一.神经网络
一个神经元可以有多个输入。
一个神经元只能有一个输出,这个输出可以同时输入给多个神经元。
一个神经元的 ww 的数量和输入的数量一致。
一个神经元只有一个 bb。
ww 和 bb 有人为的初始值,在训练过程中被不断修改。
AA 可以等于 ZZ,即激活函数不是必须有的。
一层神经网络中的所有神经元的激活函数必须一致。
二.梯度下降
2.3.1 从自然现象中理解梯度下降
在大多数文章中,都以“一个人被困在山上,需要迅速下到谷底”来举例,这个人会“寻找当前所处位置最陡峭的地方向下走”。这个例子中忽略了安全因素,这个人不可能沿着最陡峭的方向走,要考虑坡度。
在自然界中,梯度下降的最好例子,就是泉水下山的过程:
水受重力影响,会在当前位置,沿着最陡峭的方向流动,有时会形成瀑布(梯度下降);
水流下山的路径不是唯一的,在同一个地点,有可能有多个位置具有同样的陡峭程度,而造成了分流(可以得到多个解);
遇到坑洼地区,有可能形成湖泊,而终止下山过程(不能得到全局最优解,而是局部最优解)。
2.3.2 梯度下降的数学理解
梯度下降的数学公式:θn+1=θn−η⋅∇J(θ)
2.3.3梯度下降
假设一个单变量函数:J(x)=x 2
我们的目的是找到该函数的最小值,于是计算其微分:J ′ (x)=2x
假设初始位置为:
x 0=1.2
假设学习率:η=0.3
根据公式得,迭代公式:x n+1 =x n−η⋅∇J(x)=x n−η⋅2x
上面的过程如图所示。
mport numpy as np
import matplotlib.pyplot as plt
def target_function(x):
y = x * x
return y
def derivative_function(x):
return 2 * x
def draw_function():
x = np.linspace(-1.2, 1.2)
y = target_function(x)
plt.plot(x, y)
def draw_gd(X):
Y = []
for i in range(len(X)):
Y.append(target_function(X[i]))
plt.plot(X, Y)
if name == ‘main’:
x = 1.2
eta = 0.3
error = 1e-3
X = []
X.append(x)
y = target_function(x)
while y > error:
x = x - eta * derivative_function(x)
X.append(x)
y = target_function(x)
print(“x=%f, y=%f” % (x, y))
draw_function()
draw_gd(X)
plt.show()