神经网络的样子
两层神经网络,第一层,多个w,b 参数,得到了多个 a,第二层,多个a作为训练集,得到了z.
m个样本,两层节点
红圈代表向量话代码:正向传播。两层神经网络
z[1]=w[1]x+b[1]
A[1]=sigmoid(z[1])
z[2]=w[2]A[1]+b[2]
A[1]=sigmoid(Z[2])
二:激活函数的选择:
(1) sigmoid(z) =1/(!+exp(-z))
除非是二分类函数,否则绝不要使用。 (这种情况,Y^就是应该介于0~1)。可以,隐藏层用tanh,输出层用sigmoid
g(z)' =da(1-a)
(2) tanh(z) = (exp(z)-exp(-z))/exp(z)+exp(-z)
dg/dz = 1- a^2
范围是[-1 , 1]这个函数平均值更接近于0,能让下一层的学习方便些。各个场合都比sigmoid更优秀
以上两个函数,当z的值很大时,斜率接近于0.学习速度会很慢。
(3) Relu a = max(0, z)
z > 0,斜率为1,z < 0。斜率为0
缺点是,z= 0 导数没有定义,实际上可以直接给他赋值0或1。另外,z<0。导数为0.但实际操作不需要担心这个
如果做二分类,可以隐藏层用Relu,输出层用sigmoid()
(4) Leak Relu =max(0.01z , z)
以上的线性激活函数,用多少次,其实也是没用的,和逻辑回归是一样的。必须使用非线性激活函数tanh ,或者ReLU
L
浅层神经网络实现:
1、正向传播:
2、反响传播:keepdim =true 防止db的秩变为1
反向传播式子推导:
不同于逻辑回归,把w,b都初始化为0,在进行神经网络算法时,我们多个隐藏节点用的w必须是不同的,否则,各个隐藏节点进行的运算也是一样的。求出的a, 以及后来求出的 dw,也是一样的。就没有意义了。
令:w = np.random.radn((2,1)) * 0.01。这里,这个常数尽量小一些,因为z特别大的时候,tanh,sigmoid这些函数迭代速度很低。
b =np.zeros((2,1))