一 感知机
感知机的结构如下图所示:
添加激活函数后,感知机可以用来完成二分类任务。阶跃函数和符号函数由于不连续导致了导数为0,因此无法利用梯度下降算法来参数优化,与此同时,以感知机为代表的线性模型不能解决异或(XOR)等线性不可分问题,所以在应用上受到很大的限制。
二 全连接层
下图的网络结构可看出,每个输出节点都和全部的输入节点相连接,那么这种网络层就叫做全连接层。
三 神经网络
这种由神经元相互连接而成的网络叫做神经网络。下图通过堆叠4个全连接层,可以获得层数为 4 的神经网络。由于每层都是全连接层,所以又叫全连接网络。在设计全连接网络时,网络的结构配置等超参数可以按着经验法则自由设置,只需要遵循少量的约束即可。 例如, 隐藏层 1 的输入节点数需和数据的实际特征长度匹配,隐藏层3的输出层激活函数和节点数需要根据任务的具体设定进行设计。神经网络模型的结构设计自由度较大,可以通过 AutoML 技术搜索出较优的网络结构。
四 优化目标
神经网络从输入到输出的计算过程叫做前向传播(Forward Propagation)或前向计算,前向传播的最后一步就是完成误差的计算,误差