神经网络如何表达x1*x2？

最新推荐文章于 2022-10-10 22:24:42 发布
最新推荐文章于 2022-10-10 22:24:42 发布
阅读量1.5k 收藏
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yfszzx/article/details/50508087
版权
本文探讨了如何使用单隐层神经网络来近似表达f=x1*x2的问题。通过泰勒展开并忽略高阶项，将神经网络的输出整理成多项式形式，进而设置方程求解权重，找到神经网络对x1*x2的近似表达。随着节点数增加，近似精度提高。该方法可推广到其他可展开为泰勒级数的函数，实现神经网络的近似表达。
摘要由CSDN通过智能技术生成

昨天和一个朋友讨论神经网络如何能够实现表达f = x1*x2这样一个简单的函数，把思路整理如下：

假设有m个节点、两个输入x1、x2的单隐层神经网络，激励函数为tanh。输出值表达为:

y = Wo1* tanh(Wi1 * x1 +  Wi2* x2 + Wi3)

+ Wo2 * tanh(Wi4 * x1 +  Wi5* x2 + Wi6)

……

+ Wom * tanh(Wi(3m-2) * x1 +  W i(3m-1)  * x2 + W i(3m-0))

 

做泰勒展开，并忽略五次（包括五次）以上项，则:

y = Wo1* (Wi1 * x1 +  Wi2* x2 + Wi3) + Wo1 * (Wi1 * x1 +  Wi2 * x2 + Wi3)3/3

+ Wo2 * (Wi4 * x1 +  Wi5 * x2 + Wi6) + Wo2* (Wi4 * x1 +  Wi5*x2 + Wi6) 3/3

……

+ Wom</

最低0.47元/天 解锁文章
yfszzx
关注
  • 1
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
盼小辉丶的博客
05-28 6万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
Keras深度学习实战（1）——神经网络基础与模型训练过程详解
热门推荐
盼小辉丶的博客
04-10 4万+
神经网络是一种性能强大的学习算法，其灵感来自大脑的运作方式。类似于神经元在大脑中彼此连接的方式，神经网络获取输入后，通过某些函数在网络中进行传递输入信息，连接在其后的一些神经元会被激活，从而产生输出。本文主要介绍神经网络中重要的基础知识，然后使用 Python 从零开始构建神经网络的训练流程，包括前向传播和反向传播，更直观的了解神经网络的通用训练流程。............
pytorch深度学习：神经网络拟合方程(回归问题)
qq_37333048的博客
12-02 1万+
神经网络入门的应用就是拟合方程，这篇文章就针对这个问题来熟悉pytorch怎么搭建神经网络模型。 1. 问题提出 我们要拟合的是y = x^2这个最简单的一元二次方程，首先要创建我们的x,y数据,它们都是100*1维的数据，对y加了一个噪声，让它具有一些离散性。 # 建立数据:拟合y = x^2曲线 x = torch.unsqueeze(torch.linspace(-1, 1, 100), dim=1) # x data (tensor), shape=(100, 1) y = x.pow(2) +
神经网络：表示
网瘾少年康复中心
07-22 411
神经网络为什么会诞生。先看逻辑回归。如果有100个特征x1~x100，那么如果想表示x1x2，。。，x1x100.这就要算100*100（o(n^2)）个的项了，更何况有的时候不仅仅是二次项。 比如我要求的就是一个50×50像素的小图片，总共有2500个像素特征。如果是RGB的那么就7500个特征。如果要用逻辑回归算二次就是7500×7500将近3万的特征，这是非常多的。因此，神经网络也
5_神经网络优化,y=x1+x2
406156440的博客
10-25 1035
1 神经元模型： 上一节神经网络不算完整,因为计算公式应该是y=add (xi*wi + b) 2、激活函数 引入非线性激活因素，提高模型的表达力。 常用的激活函数有： 3、神经网络的复杂度 可以用神经网络的层数和神经网络待优化的参数个数来表示 4、神经网络的层数 层数=n个隐藏层 + 1个输出层 注意：一般不计入输入层 5、神经网络待优化的参数 神经网络所有参数w、b的个数 举例：下图为神经...
Matlab一个利用神经网络拟合函数的例子
Jiajun的博客
01-10 2万+
代码：t=[0 3.9 4.1 7.3 8.4 13.1 14.8 16.4 17.7 19 19.7 20.3 21.2 24.5 26.3 27.8 28.9 29 29.8 31.1 32.8 33.5 34.5 35.6 36.2 37.6 37.8 38.7 39.4 40.3 41 41.4 42.5 43.9 45 45.7 46.9 47.8 49 49.4 51.4 53 54 5
手写两层神经网络来拟合函数y = x1^2 + x2 + 100 (1)
Iswayzw的博客
10-04 1492
手写神经网络来拟合函数y = x1^2 + x2 + 100 摘要 本文首先生成数据，然后搭建包含一层隐藏层的神经网络训练数据，最后利用测试数据评价模型的拟合效果。本文没有讲神经网络的原理以及推导过程，适合读过神经网络原理，想要动手实现的同学参考。 数据生成 import numpy as np from matplotlib import pyplot as plt from mpl_toolkits.mplot3d import Axes3D # y = x1^2 + x2 + 100 # 生成训练
设计一个自适应模糊神经网络控制器，实现对y=2/5*X1.^2*cos(4*pi*X2)这个函数进行逼近
最新发布
06-03
好的，我可以为您提供一个简单的 Matlab 示例来实现一个自适应模糊神经网络控制器，以逼近 $y=\frac{2}{5}X_1^2\cos(4\pi X_2)$ 这个函数。 首先，我们需要定义一个模糊神经网络结构。我们可以使用 `genfis1` 函数...
Python与人工神经网络:使用神经网络识别手写图像介绍
09-20
感知机是最简单的神经网络模型，它由输入值（x1, x2, ..., xn）和权重（w1, w2, ..., wn）组成，输出为二进制值（0或1）。输出取决于输入和权重的加权和是否超过阈值。其工作原理可以用以下公式表示： \[ \text{...
深度学习入门~神经网络的表示①
fatfairyyy的博客
04-12 390
神经网络的表示 只有一个隐藏层的网络 输入特征x1，x2，x3竖着罗列，成为输入层。本例中输入层的下一层，称为隐藏层，最后一层只有一个结点，称作输出层。 隐藏层的意思是，在神经网络执行的过程中，中间值我们是看不到的，能看到的只有输入层的数据和输出层的结果，而中间的计算过程和值是看不到的。 输入层可以用一个X来表示，它也等价为a【0】，a代表activation，即激活，它意味着网络中不同层的值会传递给后面的层。因此，在本例中，输入层将x的值传递给隐藏层。 下一层隐藏层，同样会产生一些激活值。记作a【1】
练习7-4 找出不是两个数组共有的元素
酒色财气君莫沾
11-03 1万+
给定两个整型数组，本题要求找出不是两者共有的元素。 输入格式: 输入分别在两行中给出两个整型数组，每行先给出正整数N（≤20），随后是N个整数，其间以空格分隔。 输出格式: 在一行中按照数字给出的顺序输出不是两数组共有的元素，数字间以空格分隔，但行末不得有多余的空格。题目保证至少存在一个这样的数字。同一数字不重复输出。 输入样例: 10 3 -5 2 8 0 3 5 -15 9 100 11 6 4 8 2 6 -5 9 0 100 8 1 输出样例: 3 5 -15 6 4 1 注
python卷积神经网络回归预测_Tensorflow实现神经网络拟合线性回归
weixin_39895684的博客
12-09 2284
本文实例为大家分享了Tensorflow实现神经网络拟合线性回归的具体代码，供大家参考，具体内容如下一、利用简单的一层神经网络拟合一个函数 y = x^2 ，其中加入部分噪声作为偏置值防止拟合曲线过拟合import tensorflow as tfimport numpy as npimport matplotlib.pyplot as plt# 生成-0.5到0.5间均匀发布的200个点，将数据...
吴恩达机器学习（六）——神经网络表述(Neural Networks: Representation)
weixin_44159487的博客
03-16 390
1、非线性假设(Non-linear Hypotheses) 无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。 非线性分类的例子： 特征数大于100时，构建一个非线性的多项式模型，即便只采用两两特征的组合(
神经网络之数据拟合
haiziccc的专栏
09-24 7801
近期学习神经网络，初步实现利用神经网络对训练集进行拟合。 import tensorflow as tf import numpy as np import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' import matplotlib.pyplot as plt #定义在(-0.5,0.5)之间随机生成50个数,并转换为50*1矩阵 x_data ...
非线性函数拟合--基于pytorch的BP神经网络
qq_54517101的博客
11-21 3751
本次的目的是利用PB神经网络拟合非线性函数：y=x^2+x+1 导入相关库： import torch import torch.nn as nn from torch.optim import SGD import torch.utils.data as Data from sklearn.datasets import load_boston import pandas as pd import numpy as np import matplotlib.pyplot as plt from to
你一定要知道的神经网络知识
sun_xiao_kai的博客
07-06 1272
作为当下最为火爆的深度学习算法，越来越受到学者们的重视，想要学好深度学习，就必须要求你掌握关于神经网络的知识，这是你通向大牛的基础，本文通过参阅资料整理出一些关于神经网络的概念，理解这些概念是你学习深度学习的前提要求，除了一些概念，还会介绍一些模型中的参数的意义下面一起来看看把。 1、神经网络基础 下面先看一下简单的神经网络结构（图片来源于网上） 上图显示了简单的神经网络结构，神经网络模型是源于...
深度学习入门——前馈神经网络
qq_44425969的博客
10-10 745
前馈神经网络作为深度学习基础中的基础，是很多同学入门深度学习的必经之路。在这里浅浅记录一下学习心得。
人工神经网络ANN（BP网络）
winner_liuhuan的博客
06-14 1万+
人工神经网络ANN，简称神经网络，是指由大量的 处理单元（神经元）互相连接而形成的复杂网络结构，是对人脑组织结构和运行机制的某种抽象、简化和模拟。人工神经网络（简称ANN ），以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。它有多层和单层之分，每一层包含若干神经元，不同的神经元与相应的权重连接从而组成的线性或非线性的分类...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值