本文介绍了多层前馈神经网络的概念，包括输入层、隐藏层和输出层，以及每个节点的权重和激活函数。重点讲解了反向传播算法的核心，即通过迭代和误差反向传播来更新权重，实现模型训练。此外，概述了使用神经网络的步骤，并指出深度学习在高精度无结构化数据中的应用，但也提到了其对训练数据敏感、易受噪音和过拟合影响的问题。
我是在14年9月刚读研的时候听到一个说法叫“类人脑算法”很火热，之后搞了很长一段时间相关的蓄水池算法等，但大都没有摸到门路而中途放弃了。
现今看来，还是缺少一些知识背景，也不善于在网络上学习，随时间推移，也逐渐明白这是机器学习的一小部分，并且逐渐发展的名称叫做人工神经网络的算法，如果网络层较多，又会有个别名，叫做深度学习。其中用到的最著名算法是背向传输算法（backpropagation），而这个算法，是我曾经推倒导过的。如今重新捡起，感慨万千。
先讲述一个概念：多层前馈神经网络（Multilayer Feed-Forward Neural Network）
如图所示，有输入层（input layer）,隐藏层（hidden layer）,输出层（output layer）
一、每层由单元（unit）组成
二、输入层由训练集的实例特征向量传入
三、每个结点都有权重（weight）传入下一层，一层的输出是下一层的输入。
（根据生物学上的定义，每个单元成为神经结点）
最低0.47元/天 解锁文章
扫一扫
4567
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
