人脑识别图像:
【deeplearning是由New network演变而来的】
人脑: 大脑视觉皮层V1, 包含140,000,000神经元; 数百亿个连接, 还有V2,V3,V4,V5
人脑进化几千年
【计算机识别图像: 读到的数据都是数字矩阵】
天气冷吗?
跟我常配合的好友去吗?
是不是晚饭前?
实际模型更加复杂:

w,x 是向量, b=-threshold
b:多容易输出1,或者大脑多容易触发这个神经元
相当于与非门 (NAND gate):
输入11, (−2)∗1+(−2)∗1+3=−1, 输出0
与非门可以模拟任何方程!
Sigmoid 神经元:
8->9
为了模拟更细微的变化,输入和输出数值从0和1,到0,1之间的任何数【0.001,0.09......从01两维变为无数个数,并且变化过程是渐变的】
使用sigmoid function方程的好处:当Z值变化较小的时候,y值变化也比较小,变化过程比较平缓;当z值无限大的时候,y值无限趋近于1.
作为神经网络中的激活函数,其作用就是引入非线性。具体的非线性形式,则有多种选择。
sigmoid的优点在于输出范围有限,所以数据在传递的过程中不容易发散。当然也有相应的缺点,就是饱和的时候梯度太小。
sigmoid还有一个优点是输出范围为(0, 1),所以可以用作输出层,输出表示概率。
另一个优点:求导容易。