转自公众号-AI圈终身学习,深度学习零基础入门与面试必会。
致力于提供一个有情怀的集训互享开源平台,欢迎关注。
文集介绍
不用框架,代码手撸深度神经网络,系列文章。适合零基础入门,更适合进阶。系列文章,提前关注不迷路。适宜人群:
- 深度学者初学者
- 深度学习面试进阶者
- 有意向转行AI的IT从业者
- 对深度学习感兴趣的在校大学生
纸上得来终觉浅,文集所有代码地址:https://github.com/AIGroup-Z/deep-neural-network
这是本文集暂定要写的内容:
前言
上篇文章我们解释了什么是深度学习,以及神经网络。当然您可能觉得一头雾水,那是非常正常的。本节接着介绍神经网络的基本组成单元-感知器。
一、感知器是什么?
如图,红色加粗部分就是一个感知器:
我们把它抠出来,就变成了这个样子:
感知器为框里的部分,它不包括输入层。因此,其组成如下:
- 权重与偏置项 一个感知器有多个输入 ( x 1 , x 2 , . . . , x n ∣ x i ∈ R ) (x_1, x_2, ...,x_n|x_i \in \mathbb R) (x1,x2,...,xn∣xi∈R),每个输入有对应的权重 ( w 1 , w 2 , . . . , w n ∣ w i ∈ R ) (w_1, w_2, ...,w_n|w_i \in \mathbb R) (w1,w2,...,wn∣wi∈R), 此外有个偏置项 b ∈ R b \in \mathbb R b∈R。
- 激活函数 感知器有很多种激活函数可选,我们暂时选择阶跃函数f做为激活函数:
所以我们的感知器最后得到的输出结果是:
(2) y = f ( w ⋅ x + b ) y=f(w\cdot x+b) \tag{2} <