超级会员免费看
本文详细介绍了神经网络的工作原理，包括神经元、网络计算、矩阵表示以及训练过程中的反向传播算法。通过实例展示了如何计算神经网络的输出，以及如何用反向传播算法训练权重。最后，文章提到了使用神经网络进行手写数字识别的实战应用，并提供了梯度检查确保代码正确性。
往期回顾
在上一篇文章中，我们已经掌握了机器学习的基本套路，对模型、目标函数、优化算法这些概念有了一定程度的理解，而且已经会训练单个的感知器或者线性单元了。在这篇文章中，我们将把这些单独的单元按照一定的规则相互连接在一起形成神经网络，从而奇迹般的获得了强大的学习能力。我们还将介绍这种网络的训练算法：反向传播算法。最后，我们依然用代码实现一个神经网络。如果您能坚持到本文的结尾，将会看到我们用自己实现的神经网络去识别手写数字。现在请做好准备，您即将双手触及到深度学习的大门。
神经元
神经元和感知器本质上是一样的，只不过我们说感知器的时候，它的激活函数是阶跃函数；而当我们说神经元时，激活函数往往选择为sigmoid函数或tanh函数。如下图所示：
计算一个神经元的输出的方法和计算一个感知器的输出是一样的。假设神经元的输入是向量
订阅专栏 解锁全文
扫一扫
483
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
