第二课 week1
文章目录
1.1 神经元和大脑
1.2 示例:需求预测
T恤是否成为畅销品的几个因素:affordability实惠性、awareness买家的认知度、perceived quality感知质量导致的偏见
a a a:activation,代表激活,指的是一个神经元向他下游的神经元发送多少高输出。在本示例中将购买能力、意识和感知质量称为激活。
层layer:一组神经元,将相同的特征作为输入,如何一起输出一些数字。一个层可以有许多神经元,也可以只有一个。
神经网络在实践中实现特定层中每个神经元的方式,所以为每个神经元都绘制一个箭头。
为了简化描述,可以使用向量的形式去表示。
在房屋预测问题中,通过手动特征工程来获取更好的特征。神经网络不需要我们手动设计特征,可以自己去学习。
多层感知网络:
1.3 示例:图像感知
1.4 神经网络中的层
- 输入层input layer,隐藏层hidden layer,输出层output layer
- 输入层一般表示成第0层,一般说神经网络层数的时候不包含输入层
- 右上角方括号表示层数,右下方角标表示神经元
简单网络示意:
复杂网络示意:
将输入定义为 a [ 0 ] a^{[0]} a[0],这样激活函数可以适用于第一层。
1.5 前向传播
示例:手写数字
前向传播:传播神经元激活,从左到右计算。
1.6 代码实现
示例:咖啡豆烘焙问题
1.7 Tensorflow
1)数据格式
矩阵(张量)vs一维向量,tensorflow中用矩阵进行运算。
2)网络搭建
3)前向传播的实现
大写字母表示矩阵,小写字母表示向量和标量。
tensorflow的计算方式:
向量点积:
向量矩阵运算:
矩阵运算:
各个示例实际按矩阵 X X X中的行排列,而不是 X X X的转置中排列,因此tensorflow中的代码是 a _ i n a\_in a_in而不是 A T AT AT。