机器学习(3)-神经网络_Neural Networks

最新推荐文章于 2022-12-31 13:42:56 发布

ShiKiScarlet

最新推荐文章于 2022-12-31 13:42:56 发布

阅读量671

点赞数

分类专栏：机器学习

本文链接：https://blog.csdn.net/zp753951zpzp/article/details/72866076

版权

1、神经网络的术语

$\theta$ 参数矩阵称之为权重（weight）
神经元，一个计算单元
输入的偏度单元，指的是一默认输入 $x_0=1$
神经网络，多个神经元输入输出相连构成的网络
神经网络输入层，输入了特征项
神经网络输出层，输出结果
神经网络隐藏层，除了输入输出层
神经元的激励，神经元接收输入后获得的输出函数
$a^{(j)}_i$ 表示第j层的第i个神经元的激励
$\Theta^{(j)}$ 表示从第j层到第j+1层控制函数映射的矩阵化权重
如果一个神经网络在J层的神经元数为Sj，那么 $\Theta^{(j)}$ 的维度为 $s_{j+1} \times (s_j +1)$
$h_\Theta(x)$ 表示整个神经网络
$⎡ ⎣ ⎢ ⎢ ⎢ x 0 x 1 x 2 x 3 ⎤ ⎦ ⎥ ⎥ ⎥ \to ⎡ ⎣ ⎢ ⎢ ⎢ a (2) 1 a (2) 2 a (2) 3 ⎤ ⎦ ⎥ ⎥ ⎥ \to h θ (x)$ $\begin{bmatrix}x_0 \newline x_1 \newline x_2 \newline x_3\end{bmatrix}\rightarrow\begin{bmatrix}a_1^{(2)} \newline a_2^{(2)} \newline a_3^{(2)} \newline \end{bmatrix}\rightarrow h_\theta(x)$

每个神经元激励如下

a (2) 1 = g (Θ (1) 10 x 0 + Θ (1) 11 x 1 + Θ (1) 12 x 2 + Θ (1) 13 x 3) a (2) 2 = g (Θ (1) 20 x 0 + Θ (1) 21 x 1 + Θ (1) 22 x 2 + Θ (1) 23 x 3) a (2) 3 = g (Θ (1) 30 x 0 + Θ (1) 31 x 1 + Θ (1) 32

关注