注,本文是在学习吴恩达老师(Andrew Ng)网易公开课课程的的学习总结和理解,希望与君共勉!
前面讲述了神经网络的概览,本章主要讲述神经网络每个部分的表示的是什么。神经网络如图所示:
1. 第一层是输入层,第二层是隐藏层,第三层是输出层,输出预测值y帽。
2. 在一个神经网络中,当你使用监督式学习训练他的时候,训练集包含了输入x还有目标输出y,因此隐藏层的含义是,在训练集中,这些中间节点的真正数值我们并不知道,在训练集你看不到他们的数值。你能看到输入层还有输出层的值,但是你看不到中间隐藏层的值。
3. 再引入几个符号的含义,之前用x表示输入值,输入特征的值还有另外一种表示用a[0]来表示,a也表示激活的意思,他表示网络中不同层的值会传递到下一层网络。并不是所有的神经元都产生输出,传导到下一层,只有满足一定条件的的神经元才会产生输出会传导下一层。隐藏层同样会产生a[1]到输出层,a(1)[1] a(2)[1] a(3)[1] a(4)[1]依次表示隐藏层的四个节点,所以a[1]可以表示为一个如下所示的4x1维的向量。最后输出层产生a[2]
4. 隐藏层和输出层包含有相关的参数w[1],b[1]并且w[1]是一个4x3的矩阵(4是Node的数量,3是输入特征向量的维度),b[1]是一个4x1的向量,同样的输出层包含有参数w[2],b[2]并且w[2]是一个1x4的矩阵(4是隐藏层Node的数量,1是输出层Node的数量),b[1]是一个1x1的向量.