tensorflow学习笔记(4)--- 前向传播算法

本文介绍了神经网络的基本组成单元——神经元的结构及工作原理。详细解释了神经元如何通过加权和的方式处理输入,并阐述了全连接神经网络的概念。此外,还介绍了神经网络前向传播算法的实现方式及其在TensorFlow中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >


在神经网络中,一个神经元有多个输入和一个输出,每个神经元的输入既可以是其他神经元的输出,也可以是整个神经网络的输入。
神经网络不同的结构指的就是不同ing神经元之间不同的连接结构。
如图所示,一个最简单的神经元结构的输出就是所有输入的加权和,不同输入的权重就是神经网络的参数。
神经网络的优化过程就是优化神经元中参数的取值的过程


全连接神经网络:全连接指的是相邻两层间的任意两个节点都有连接。
计算神经网络的前向传播结果需要三部分的信息:
1. 神经网络的输入,即是从实体中提取的特征向量。如上图中的x1,  x2
2. 神经网络的连接结构。
3. 每个神经元的参数。


如上图即为上上图中前向传播的过程
上图的前向传播算法可以写成矩阵相乘的形式

在tensorflow中可以使用tf.matmul()来实现前向传播算法。


评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值