本文基于斯坦福大学机器学习课程，详细介绍了单层神经元的逻辑运算功能，以及神经网络的前向传播和反向传播过程。在前向传播中，数据经过隐藏层得出输出结果。反向传播用于调整权重，通过计算误差并从前向传播的输出层回溯到输入层，以优化损失函数。最后提到了非凸成本函数可能导致局部最优的问题，以及初始化参数的注意事项，并提供了使用Octave实现的代码链接。
主要参考斯坦福大学机器学习第五周内容
单层神经元(无中间层)可以用来计算逻辑或，逻辑与运算
如图， θ 0 = − 50 , θ 1 = 20 , θ 2 = 20 \theta_0=-50,\theta_1=20 , \theta_2=20 θ0=−50,θ1=20,θ2=20,所以函数为 h θ ( x ) = g ( − 50 + 20 x 1 + 20 x 2 ) h_\theta(x)=g(-50+20x_1+20x_2) hθ(x)=g(−50+20x1+20x2)( g ( t ) 为 s i g m o i d 函 数 g(t)为sigmoid函数 g(t)为sigmoid函数)有：
当运用更多的神经元可以实现更多的功能，这就是神经网络。
如图，前向传播即在输入层输入数据，经过若干隐藏层，得出输出层结果，具体算法：
α 1 ( 1 ) = x \alpha_1^{(1)}=x α1(1)=x z 1 2 = Θ ( 1 ) α ( 1 ) z_1^{2}=\Theta^{(1)}\alpha^{(1)} z12=
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
