本文详细介绍了全连接神经网络的结构，包括非线性激活函数的作用，以及梯度下降法在学习过程中的重要性。此外，还着重讲解了卷积神经网络的核心——卷积运算和池化运算，以及卷积核在其中的角色。
链接：
https://www.bilibili.com/video/BV1e34y1M7wR/?p=2&spm_id_from=pageDriver&vd_source=e37063ab334e2375db73b2885f88bb0d
全连接神经网络的整体架构
全连接神经网络的结构单元
其中a表示激活函数，用数学表达式：
a=h(w*x+b) 往往是非线性的
h(h(h(x)))代表一层一层神经网络的组合
为什么要加入激活函数
梯度下降法
a: 学习率 一般为0.001-0.05 如果太大或太小都不行
训练过程
CNN
卷积就是一种运算，卷积神经网络核心就是卷积运算，池化运算
卷积运算：
其中卷积核就是神经网络中的w（图片中的w大小的2*2）
输出后得到a，再加上激活函数y=h(a)
扫一扫
1575
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
