Machine Learning (4) Motivations & Neural Networks

最新推荐文章于 2018-12-07 09:15:03 发布

NeilKuang

最新推荐文章于 2018-12-07 09:15:03 发布

阅读量236

点赞数

分类专栏：机器学习文章标签： coursera machine learning Neural Networks

本文链接：https://blog.youkuaiyun.com/weixin_39277458/article/details/82780615

版权

本文深入探讨神经网络的动机与模型表示。首先介绍了神经元的基本工作原理，随后详细阐述了神经网络的模型表示，包括输入、隐藏和输出层的结构，以及权重矩阵在计算中的作用。此外，通过示例展示了如何使用神经网络实现逻辑运算，包括AND、NOR、OR以及XNOR，并探讨了神经网络在多类分类问题中的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这一节将开始介绍关于神经网络的相关内容。

1. Motivations [动机]：（略）。

2. Neural Networks [神经网络]：

2.1 Model Representation (1) [ 模型表示法（1）]：

2.1.1 让我们从非常简单的神经元的机理来讨论这个问题，神经元可以看做是一个计算单元，其从树突（们）[Dendrites]接收输入，这些输入可以被当做带电输入（被称为“spikes [尖波]”），相应的输出从axons [轴突]输出带电尖波。

2.1.2 在我们的模型中，我们的树突就像输入的特征x1、x2、x3等，输出是我们的假设函数的结果。在这个模型中，我们的x0输入节点有时被称为“Bias Unit [偏差（置）单元]”，它的值总是等于1。

2.1.3 此外，在神经网络中，我们将使用与分类问题相同的逻辑函数，但我们有时称它为sigmoid（逻辑）激励函数。这种情况下，“theta”参数有时也被称为“权重”。形象第一种简单的示意图表示如下：

2.1.4 输入节点（层1）也称为“输入层”，进入另一个节点（第二层）后最终输出假设函数，即所谓的“输出层”。在输入和输出层之间的中间层被称为“隐藏层”。在本例中，我们将这些中间或“隐藏”层节点标记为a0方……an方，并将其称为“Activation Units [激励单元]”。

2.1.5 具体来说，某隐藏层将会是如下一形式。而每个激励Node [节点] 的值由如下二得到。