神经网络基础知识

感知机

感知机是一种最简单的线性二分类模型。

下图为一个感知机的基本结构。

其中，in1，in2，inn叫做感知机的输入，而out是感知机的输出，且只有0和1两个值。

在中间的圆球中：

还会有一个∑wixi和b两个参数。

Σwixi是权重参数，b是偏置参数，而这个圆球就是一个神经元。

当输入信号进入后，会与权重w相乘，得到信号的加权和之后与b进行比较，如果大于b则输出1，

否则输出0。

当输出y=1的时候为正类，y=0的时候为负类。

感知机与逻辑电路

二输入感知机有：

与门、或门。

对应C语言的逻辑与和逻辑或一样。

多层感知机

例如异或门没有办法使用一条直线进行完全正确的线性分类，这就需要用到多层感知机。

例如在异或门中用到了两个与门和一个或门。

即：“先与后或”。

两层感知机可以实现对非线性异或逻辑的区分，得到的分类线也不再是一条直线了，而是一条曲线。

逻辑回归

感知机是神经网络的基础，多层感知机与神经网络非常相似。

逻辑回归模型可以看作是感知机模型的优化，也可以看成一种最简单、最基本的神经网络模型。

阶跃函数：

g(s) = 

1，s>0

0，s<=0

但是阶跃函数有一个缺点，就是在s = 0处是不可导的，无法计算梯度。

因此我们使用Sigmoid函数来将阶跃函数g(s)模型简单化。

表达式为：

Sigmoid函数特点：

s = 0:g(s) = 0.5

s > 0:g(s) > 0.5

s < 0: 0 < g(s) < 0.5

损失函数

逻辑回归模型最后经过Sigmoid函数，输出一个概率值，这个概率值反映了预测为正类的可能性，概率越大，可能性越大。

则我们用

y = P(y=1|x)

其中y表示当前样本为正类(y=1)的概率。