全连接神经网络概述
全连接神经网络的构架准则很简单,是:除输入层之外的每个节点都和上一层的所有节点连接。
神经网络的第一层为输入层,最后一层为输出层,中间的所有层都为隐藏层,在计算神经网络层数的时候,一般不计算输入层,所以如图所示的这个全神经网络的层数为2,其中输入层有4个神经元,隐藏层有5个神经元,输出层有2个神经元。
多分类问题
假设有这样一个神经元:f(z) = 1/(1+e^-z),其中z = a1x1+a2x2+b
图1单神经元
按[x1 =[1 ,[a1 =[1 ,b = 1将此神经元实例化,
x2] 2] a2] -2]
图2单神经元实例化
将图1所示的神经元的两个操作合并在一起
图3合并后的单神经元
多个如图3所示的神经元组合成的多层神经网络如图4
图4多层神经元网络
将图4所示的多层神经元网络实例化
图5多层神经元网络实例化
经计算得出的结果为[y1 = 0.62
y2 = 0.83]
Softmax函数与交叉熵
Softmax函数又称归一化指数函数,它是二分类函数Sigmoid在多分类上的推广,目的是将多分类的结果以概率的形式展现出来。
Softmax函数能把输入映射为0~1之间的值,并且保证归一化和为1,而多分类问题