本文探讨了Tensorflow中的线性模型及其局限性，通过实例解释为何需要引入激活函数以实现非线性模型。文章提到了Tensorflow支持的常见激活函数，如relu、sigmoid和tanh，并简单介绍了损失函数在神经网络优化中的作用，特别是分类问题中的交叉熵损失函数。
博主好久没有更新了，以后继续坚持吧
第四章说到，深层神经网络，理解了一些基本概念，在第三章书中提到的模型是由线性的模型来实现的，被称为线性模型，因为当模型的输入只有一个的时候，输出的x和y为坐标系上的一条直线，类似的，当模型有n个输入的时候，也是在n维空间内的平面
在前面的介绍中的为：
a = xW(1), y=aW(2),其中x为输入，W为参数，也就相当于y = aW(1)W(2),在这里，所有的输入，输出，以及参数都是矩阵，都要用矩阵的乘法才能来实现整个关系。
在这里，为什么要讨论线性模型呢？因为要引出激活函数，由于线性模型具有很大的局限性，举个例子来说明问题吧
如下图：
这个图如果用线性模型来进行分类的话，就是用一条直线将两类的点分开，但是从图中我们可以明显的看出，这是不可能的。
因此需要激活函数（Activation），激活函数的加入，让原来是线性模型的东西变成了一个可以是非线性模型的东西，一般，除了加入Activation，还会加入biases（偏置项），tf提供了七种激活函数，常用的有tf.nn.relu, tf.nn.sigmoid, tf.nn.tanh,当
最低0.47元/天 解锁文章
356
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
