1. 神经网络示例
用图来表示神经网络的话,如图3-1 所示。我们把最左边的一列称为输入层,最右边的一列称为输出层,中间的一列称为中间层。中间层有时也称为隐藏层。“隐藏”一词的意思是,隐藏层的神经元(和输入层、输出层不同)肉眼看不见。
注意:图 3-1 中的网络一共由 3 层神经元构成,但实质上只有 2 层神经元有权重,因此将其称为“2 层网络”。请注意,有的书也会根据构成网络的层数,把图 3-1 的网络称为“3 层网络”。本书将根据实质上拥有权重的层数(输入层、隐藏层、输出层的总数减去 1 后的数量)来表示网络的名称。
2. 感知机进化
图 3-2 中的感知机接收 x1
和 x2
两个输入信号,输出 y
。如果用数学式来表示图3-2 中的感知机,则如式(3.1)所示。
b
是被称为偏置的参数,用于控制神经元被激活的容易程度;w1
和w2
是表示各个信号的权重的参数,用于控制各个信号的重要性。
顺便提一下,在图3-2 的网络中,偏置 b
并没有被画出来。如果要明确地表示出 b
,可以像图3-3 那样做。图3-3 中添加了权重为 b
的输入信号 1。这个感知机将 x1
、 x2
、 1
三个信号作为神经元的输入,将其和各自的权重相乘后,传送至下一个神经元。在下一个神经元中,计算这些加权信号的总和。如果这个总和超过 0,则输出 1,否则输出 0。另外,由于偏置的输入信号一直是 1
,所以为了区别于其他神经元,我们在图中把这个神经元整个涂成灰色。
现在将式(3.1)改写成更加简洁的形式。为了简化式(3.1),我们用一个函数来表示这种分情况的动作(超过 0 则输出 1,否则输出 0)。引入新函数 h(x)
,将式(3.1)改写成下面的式(3.2)和式(3.3)。
式(3.2)中,输入信号的总和会被函数 h(x)
转换,转换后的值就是输出 y
。然后,式(3.3)所表示的函数 h(x)
,在输入超过 0 时返回 1,否则返回 0。因此,式(3.1)和式(3.2)、式(3.3)做的是相同的事情。
3. 引入激活函数
刚才登场的 h(x)
函数会将输入信号的总和转换为输出信号,这种函数一般称为激活函数( activation function
)。如“激活”一词所示,激活函数的作用在于决定如何来激活输入信号的总和。
现在来进一步改写式(3.2)。式(3.2)分两个阶段进行处理,先计算输入信号的加权总和,然后用激活函数转换这一总和。因此,如果将式(3.2)写得详细一点,则可以分成下面两个式子。
首先,式(3.4)计算加权输入信号和偏置的总和,记为 a
。
然后,式(3.5)用 h()
函数将 a
转换为输出 y
。
之前的神经元都是用一个 ○
表示的,如果要在图中明确表示出式(3.4)和式(3.5),则可以像图3-4 这样做。
如图3-4 所示,表示神经元的 ○
中明确显示了激活函数的计算过程,即信号的加权总和为节点 a
,然后节点 a
被激活函数 h()
转换成节点 y
。
本书中,“神经元”和“节点”两个术语的含义相同。这里,我们称 a
和 y
为“节点”,其实它和之前所说的“神经元”含义相同。
通常如图3-5 的左图所示,神经元用一个 ○
表示。本书中,在可以明确神经网络的动作的情况下,将在图中明确显示激活函数的计算过程,如图3-5的右图所示。
注意:一般而言:
- “朴素感知机”是指单层网络,指的是激活函数使用了阶跃函数
A
的模型。 - “多层感知机”是指神经网络,即使用
sigmoid
函数等平滑的激活函数的多层网络。
参考:《深度学习入门:基于Python的理论与实现》