什么是神经网络

本文介绍了神经网络的基础,从简单的数字电路逻辑门出发,解释了非门、与门、或门等基本逻辑函数,然后延伸到神经元和神经网络的概念。神经网络是由多个神经元组成,每个神经元代表一个n元函数,通过神经元的组合构建复杂的函数,以解决如图像分类等复杂问题。文章提出疑问,神经元所代表的具体函数形式是什么。
摘要由CSDN通过智能技术生成

概述


简而言之,神经网络就是函数:输入数据,输出结果。

函数


我们以MNIST手写数字图像识别为例,来定义一下对应的函数形式:

  • 任务类型:图像分类
  • 输入:一张图像包含28 x 28=784个像素,每个像素用一个实数表示
  • 输出:0-9
  • 任务描述:从图像张识别出唯一的数字
  • 函数定义
    y = f ( x 1 , x 2 , . . . , x 784 ) y = f(x_1, x_2, ..., x_{784}) y=f(x1,x2,...,x784)
    x i ∈ R , i = 1 , . . . , 784 x_i \in \mathbb R, i = 1, ..., 784 xiR,i=1,...,784
    y ∈ { 0 , 1 , . . . , 9 } y \in \{0, 1, ..., 9\} y{ 0,1,...,9}

这是神经网络的一个入门级应用,输入是一张低分辨率(28 x 28)的黑白图片,对应的是一个拥有784个输入变量的函数。如果是一张百万像素的彩色图片,对应的输入变量就会达到300万个。

由此可见,用神经网络解决的都是一些复杂的问题,对应的也是复杂的函数。实现算法就是要构造对应的函数。

如此复杂的函数如何构造呢?我们可以从简单的函数开始,最简单且最成功的的例子就是数字电路。

数字电路


数字电路是计算机的基石,构建了我们庞大的数字世界。但是其核心却是由与、或、非逻辑门所构成。

什么是逻辑门?其实就是函数。而且都是最简单的函数。

逻辑门 表达式 函数形式
与门 AND x ∧ y x \land y xy z = ∧ ( x , y ) z = \land(x, y) z=(x,y)
或门 OR x ∨ y x \lor y xy z = ∨ ( x , y ) z = \lor(x, y) z=(
  • 2
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值