5.1 M-P神经元模型
M-P神经元(一个用来模拟生物行为的数学模型) :接收n个输入(通常是来自其他神经元),并给各个输入赋予权重计算加权和,然后和自身特有的阈值0进行比较(作减法),最后经过激活函数(模拟‘ 抑制”和“激活”)处理得到输出(通常是给下一个神经元)
单个M-P神经元:感知机(sgn作激活函数),对数几率回归(sigmoid作激活函数)
多个M-P神经元:神经网络
5.2 感知机
由两层神经元组成,输入层接收外界输入信号后传递给输出层,输出层是M-P神经元,亦称“阈值逻辑单元”。
从几何角度来说,给定一个线性可分的数据集T,感知机的学习目标是求得能对数据集T中的正负样本完全划分的超平面,其中
w
T
x
−
θ
w^Tx-θ
wTx−θ即为超平面方程。
感知机学习策略:随机初始化w, b,将全体训练样本代入模型找出误分类样本,假设此时误分类样本集合为M∈T,对任意一个误分类样本(x,y)∈M来说,当超平面方程大于0时,模型输出值为y = 1,样本真实标记为y= 0;反之,当超平面方程小于0时,模型输出值为y= 0,样本真实标记为y= 1。
所以,给定数据集T,其损失函数可以定义为:
L
(
w
,
θ
)
=
∑
(
y
^
−
y
)
(
w
T
x
−
θ
)
L(w,θ)=∑ { (\hat y-y)(w^Tx- θ)}
L(w,θ)=∑(y^−y)(wTx−θ)显然,此损失函数是非负的。如果没有误分类点,损失函数值是0。而且,误分类点越少,误分类点离超平面越近,损失函数值就越小。
感知机学习算法:当误分类样本集合M固定时,那么可以求得损失函数L(w )的梯度为
▽
w
L
(
w
)
=
∑
(
y
^
−
y
i
)
x
i
▽wL(w)=∑{(\hat y- yi)xi}
▽wL(w)=∑(y^−yi)xi
感知机的学习算法具体采用的是随机梯度下降法,也就是极小化过程中不是-次使M中所有误分类点的梯度下降,而是一次随机选取一个误分类点使其梯度下降。所以权重w的更新公式为
w
←
w
+
△
w
w←w+△ w
w←w+△w
△
w
=
−
η
(
y
^
i
−
y
)
x
i
=
η
(
y
i
−
y
^
)
x
i
△w= {-η(\hat yi- y)xi = η(yi - \hat y)xi}
△w=−η(y^i−y)xi=η(yi−y^)xi
感知机能容易的实际逻辑与、或、非运算,即可以解决线性可分的问题,
实现不了异或运算,即无法解决非线性可分问题.
5.3 多层前馈神经网络
每层神经元与下一层神经元全互连,神经元之间不存在同层链接,也不存在跨层链接。