2022吴恩达第二课第一周学习总结

最新推荐文章于 2024-10-12 21:53:35 发布

星光斑斓里放歌

最新推荐文章于 2024-10-12 21:53:35 发布

阅读量301

点赞数

分类专栏：机器学习文章标签：深度学习人工智能

本文链接：https://blog.csdn.net/weixin_45288736/article/details/127924196

版权

机器学习专栏收录该内容

4 篇文章 0 订阅

订阅专栏

学习目标：

神经网络

目的：仿照人类大脑神经元工作方式，对模型进行训练（虽然一直没有实现）

我们按照该目的构造神经网络，首先要明确我们输入的是什么，以及期望的输出是什么。

以图像识别为例：

目标是给定一张照片，能够识别出该照片数据什么类别

因此，在训练过程中，我们将图片作为特征输入，其类别作为标签，进行训练学习

1.一张图片如何表示输入特征呢？

将图片进行分割，分割为 n*n矩阵的形式，每个点都表示其中的像素值(0-255)，之后将其拉长为向量的形式进行计算。此时输入特征为一个向量的形式，其值在(0-255)之间

2.开始进行计算，因为输入特征共有n*n个数值，我们认为他有n*n个特征。在计算时，我们使用多个神经元进行计算，神经元的数量是认为进行定义的。如果想要模型更复杂，可以使用多个神经元进行计算。

3.得到输出值，对于每一个经过计算的值来说，都可能成为下一次计算的输入值。所以会使用sigmoid函数进行规范。得出图像类别

以图像分类为例子，我们可以得到，一个神经网络往往分为输入层、隐藏层、输出层。隐藏层就类似黑盒子一般，我们只需要考虑其输入输出。我们所需要进行的计算都在隐藏层之中，一个复杂的神经网络中含有多个隐藏层。从隐藏层到输出层，类将隐藏层作为特征，输出层作为标签，形成逻辑回归。所以神经网络时逻辑回归的一个版本，可以自己学习特征，容易做出准确预测。类似特征工程，神经网络自己能进行计算隐藏层使用的特征。明白自己需要多少个隐藏层，每个隐藏层需要多少个神经元。

因此神经网络的工作流程（前向传播）：输入层->隐藏层->输出层

我们了解其工作流程，重要的是对于隐藏层来说如何进行计算？

隐藏层组的计算是以层作为基本单位进行的，每个神经网络的隐藏层组可能含有多个不同的子层共组成，每个隐藏层又可能含有多个神经元。对于神经网络的计算，我们要深入到隐藏层组，再到每一个隐藏层，然后是每一层中的每个神经元。

每个神经元都有两个 $\overrightarrow{\omega} ,b$ 参数，帮助我们计算出其这一层的计算值，因此在每一层中，有多少个神经元，就对应的存在多少个 $\overrightarrow{\omega} ,b$ 。而对于每一个 $\overrightarrow{\omega}$ 来说，其向量中值的个数等于输入过来的特征的个数。在每一个神经元中，都会经过 $a = \overrightarrow{\omega} \overrightarrow{x} + b$ ,因此有多少个神经元最后的结果会有多少个 a值，我们将这一层的a值存放到一个向量中 $\overrightarrow{a}$ ， $\overrightarrow{a}$ 就是我们这一层的输出函数。其公式整理如下：