deep learning
预测
分类
学习率
神经元
生物中的神经元会对在受到外界刺激后做出一定的反应,当然这种刺激是有程度限制的,只有当刺激强度超过一定范围才能使得神经元做出反应。
在建立机器学习或者深度学习的神经网络中,激活函数吸收了神经元的相关思想。即对输入值的进行判断,当输入值超过预先设定好的阈值时,激活函数产生输出
神经网络
使用矩阵乘法的三层神经网络
- 下述公式表达输入到中间层的组合调节信号,其中I为输入信号矩阵 ,W为权重矩阵。
X = W ⋅ I X=W·I X=W⋅I
- 定义一个权重矩阵用以表示隐藏层和输出层之间的连接,定义如下:
W h i d d e n _ o u t p u t W_{hidden\_output} Whidden_output
- 定义一个矩阵用以表示输入到隐藏层的组合调节输入值,定义如下:
X h i d d e n = W i n p u t _ h i d d e n ⋅ I X_{hidden} = W_{input\_hidden}·I Xhidden=Winput_hidden⋅I
-
定义一个矩阵用以表示中间隐藏层生出矩阵,由上述组合调节输入值通过激活函数sigmoid计算所得。
O h i d d e n = s i g m o i d ( X h i d d e n ) O_{hidden} = sigmoid(X_{hidden}) Ohidden=sigmoid(Xhidden) -
定义一个矩阵用以表示第二层和第三层之间的连接权重,定义如下:
X o u t p u t = W h i d d e n _ o u t p u t ⋅ O h i d d e n X_{output} = W_{hidden\_output} · O_{hidden} Xoutput=Whidden_output⋅Ohidden
- 定义一个矩阵用以表示最终层的输出信号,定义如下:
O o u t p u t = s i g n m o i d ( X o u t p u t ) O_{output} = signmoid(X_{output}) Ooutput=signmoid(Xoutput)