深度学习之线性模型与神经网络

深度学习之线性模型与神经网络

神经网络是对线性模型的升级，使之能对线性不可分的数据集达到好的分类效果。

在线性模型中，利用矩阵乘法得到由图像像素到分值向量的映射，图像的像素被拉伸成一个输入行向量，参数是矩阵，输出是分值向量，其维数是类别的数量。
相比于线性模型，神经网络的核心是引入非线性激活函数和多层结构。

1. 非线性激活函数

• sigmoid 激活函数
• tanh 激活函数
• ReLU 激活函数
• Leaky ReLU 激活函数
• PReLU 激活函数
• ELU 激活函数

在同一个网络中一般使用同一种激活函数，而不混合使用多种激活函数
在目前的实践中，推荐使用 ReLU 激活函数。
tanh理论上不如ReLU， 不推荐使用tanh

2. 多层结构

每次线性变换的输出向量都需要进行非线性变换。注意：最后一次的线性变换不需要进行非线性变换，因为最后的输出y多用于表示分值（分类），可以是任意的实数值，或者是实数值的目标值的回归。

例如：三次变换的公式为：
h1=f(xW1) h2=f(h1W2) y=h2W3

• 在神经网络术语中， x是输入层， y称为输出层， 中间变换层h1和h2称为隐含层，非线性函数f称为激活函数。
• 存在多少次线性变换，就称为多少层神经网络，所以上面的网络是三层网络。
• 网络的深度是网络的层数。
• 隐含层向量的维数称为网络宽度。
• 向量元素称为神经元。

3. 代码实现

3.1 线性模型

s1=x1W+b
s2=x2W+b
...
sn=xnW+b
得到
S=XW+B
每个样本的分值向量组成分值矩阵S的一行，每个样本属性向量组成样本属性矩阵X的一行。矩阵X也称为数据矩阵，偏置矩阵B的每行都是偏置向量b, W为输入各向量对应的权重，都一样。

代码： 线性模型（定义）

import numpy as np

D=784 # 数据维度
K=10 # 类别数
N=128 # 样本数量

X=np.random.rand(N,D) # 数据矩阵
W=0.01*np.random.randn(D,K) 
b=n