深度学习基础-- 浅层神经网络

原创

于 2024-08-29 11:48:53 发布 · 1.3k 阅读

33 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #人工智能

第三章浅层神经网络

第二章我们学习了使用一维线性回归的监督学习方法，但这种模型只能表示出输入与输出之间简单的线性关系。在这一章里，我们将接触到浅层神经网络。这种网络可以表达分段线性函数，并且能力强大到足以近似任何复杂度的多维输入和输出之间的关系。

3.1 神经网络示例

浅层神经网络是带有参数 $ϕ\phi$ 的函数 $\phi]$ ，它将多变量输入 $x$ 映射成多变量输出 $y$ 。关于浅层神经网络的全面定义将在第3.4节中给出。首先，我们通过一个示例网络 $\phi]$ 来介绍核心概念。这个网络能够将单一变量输入 $x$ 转化为单一变量输出 $y$ ，并包含十个参数 $ϕ0,ϕ1,ϕ2,ϕ3,θ10,θ11,θ20,θ21,θ30,θ31}\phi = \{\phi_0, \phi_1, \phi_2, \phi_3, \theta_{10}, \theta_{11}, \theta_{20}, \theta_{21}, \theta_{30}, \theta_{31}\}$ ：

$\begin{align} y &= f[x, \phi] \\ &= \phi_0 + \phi_1a[\theta_{10} + \theta_{11}x] + \phi_2a[\theta_{20} + \theta_{21}x] + \phi_3a[\theta_{30} + \theta_{31}x] \tag{3.1} \end{align}$

这个计算过程可以分成三个步骤：首先，计算输入数据 $x$ 的三个线性函数（ $θ10+θ11x,θ20+θ21x,θ30+θ31x\theta_{10} + \theta_{11}x, \theta_{20} + \theta_{21}x, \theta_{30} + \theta_{31}x$ ）。接着，将这三个函数的结果通过激活函数 $a[⋅]a[\cdot]$ 处理。最后，用 $ϕ1,ϕ2,ϕ3\phi_1, \phi_2, \phi_3$ 对这三个激活结果进行加权，求和，并加上一个偏移量 $ϕ0\phi_0$ 。

接下来，我们需要定义激活函数（activation function） $a[⋅]a[\cdot]$ 。虽然有很多选择，但最常用的是整流线性单元（ReLU）：

$\begin{cases} 0 & \text{if } z < 0 \\ z & \text{if } z \geq 0 \end{cases} \tag{3.2}$

这个函数在输入为正时返回输入值，否则返回零（参见图 3.1）。

方程 3.1 描述了哪一类输入/输出关系可能不是一目了然的。但是，前一章节提到的所有概念都适用于这里。方程 3.1 表示了一个函数族，具体的函数取决于 φ 中的十个参数。如果我们知道这些参数，就可以通过对给定输入 $x$ 计算该方程来进行推断（预测 $y$ ）。给定一个训练数据集 $xi,yi}i=1I\{ {x_i,y_i}\}^I_{i=1}$ ，我们可以定义一个最小二乘损失函数 $L[ϕ]L[\phi]$ ，用它来评估对于任意参数值 $ϕ\phi$ ，模型描述该数据集的效果。为了训练这个模型，我们要找出能够最小化这个损失的参数值 $ϕ^\hat \phi$ 。

在这里插入图片描述

图 3.1 整流线性单元 (Rectified Linear Unit, ReLU)。这种激活函数在输入小于零时输出为零，否则保持输入值不变。简而言之，它将所有负数输入值变为零。需要注意的是，虽然有许多其他激活函数可供选择（参见图 3.13），但 ReLU 由于其简单易懂，成为最常用的选择。
在这里插入图片描述
图 3.2 由方程 3.1 定义的函数族。a-c) 展示了三种不同参数 $\phi$ 的选择下的函数。在这些函数中，输入与输出的关系均为分段线性。不过，各个拐点的位置、拐点间线段的斜率，以及整体高度各不相同。