Neural Network 初步

最新推荐文章于 2022-03-14 15:24:25 发布

ChichiZhou

最新推荐文章于 2022-03-14 15:24:25 发布

阅读量413

点赞数

CC 4.0 BY-SA版权

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/ChichiPly/article/details/81049720

机器学习专栏收录该内容

3 篇文章

订阅专栏

本文介绍了神经网络的基础理论，包括其与逻辑回归的关系、深度学习的概念及其作为卷积神经网络(CNN)的基础角色。文章还讲解了神经网络训练过程中的反向传播原理，并提供了使用sklearn库中MLPClassifier的具体示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Neural Network 基础理论

neural network 实际上是许多 LR 组成的网络。当neual network 层数特别多时，可以称为是 deep learning。

neural network 是 deep learning 的基础，而deep learning 又是 cnn 的基础。

使用 neural network 或者 deep learning neural network 的时候，同样是需要对训练数据进行特征提取，或者特征重构等操作的。但是当使用 cnn 的时候，可以直接把原始数据扔进去。而cnn 主要解决一些区域相关性比较强的问题。所以还是需要知道特征提取，数据处理的常用方法以解决那些不能用cnn的问题。

neural network 的训练基础是 backpropogation。这个需要理论推导一下。

调包使用 neural network

from sklearn.neural_network import MLPClassifier
model = MLPClassifier(solver = 'lbfgs', alpha = 1e-5, hidden_layer_sizes = (30,10), random_state = 1, verbose = True)
model.fit(X,y)
model.predict(X)
model.predict_proba(X) # 输出预测的概率