太天才了,把感知机组装在一起是不是就是神经网络了?
大家好,今天来继续聊聊深度学习。 有同学跟我说很久没有更新深度学习的模型了,倒不是不愿意更新,主要是一次想把一个技术专题写完。但是纯技术文章观众老爷们不太爱看,所以我一般都把纯技术文章放在次条。不过既然有同学催更,那么我还是响应一下需求,来更新一篇。 神经网络与感知机的不同 我们当时在文章里放了一张图,这张图是一个多层感知机的图,大家看一下,就是下面这张图。 这张图乍一看没什么问题,但是细想会觉得有点奇怪,好像我们印象里看到的神经网络的图片也是这样的,既然如此,那么它们之间太天有什么区别呢? 表面上最明显的区别就是名字不同,这是一张神经网络的图片。我们发现同样是三层,但是它每一层的名字分别是输入层、中间层(隐藏层)和输出层。我们一般把输入层和输出层单独命名,中间的若干层都叫做隐藏层或者是中间层。当然像是感知机一样,以数字来命名层数也是可以的,比如下图当中的输入层叫做第0层,中间层叫做第一层,最后输出层叫做第2层。 我们一般不把输出层看作是有效的神经网络,所以下图的网络被称为二层神经网络,而不是三层神经网络。 除了名字的叫法不同之外,还有一个最关键才了的区别就是激活函数,为了说明白这点,我们先来看看神经网络当中的信号传递。 信号传递 下图是一张我随便找来的神经网络图,我们可以看到输入的第一个节点被置为了1。这样做是为了方便引入偏移量,只是我们一般情况下画图的时候,不会特意把偏移量画出来。我们以下图为例子来看下神经网络当中信号的传递方式。 到这里还没有结束,神经网络当中每一层都会有对应的激活函数。一般情况下同一层网络当中的激活函数相同,我们把它叫做h,所以最终这个节点的输出并不是刚刚得到的,而是。 激活函数我们,把已经比较熟悉了,之前介绍过很多次,常用的大概有以下几种:Relu、Sigmoid、tanh、softmax,以及一些衍生出的变种。一般情况下,在输出层之前我们通常使用Relu,如果模型是一个分类模型,我们会在最后使用Sigmoid或者是softmax,如果是回归模型则不使用任何激活函数。 Sigmoid我们已经很熟悉了,如果我们把LR模型也看成是一个单层的神经网络的话,那么Sigmoid就是它的激活函数。Sigmoid应用在二分类场景当中单个的输出节点上,输出的值如果大感知于0.5表示为真,否则为假。在一些概率预估场景当中,也可以认为输出值就代表了事件发生的概率。 与之对应的是softmax函数,它应用在多分类问题当中,它应用的节点数量不是1个,而是k个。这里的k表示多分类场景当中的类别数量。我们以k=3举例,看下图: 在图中一共有三个节点,对于每一个节点来说,它的公式可以写成: 其实和Sigmoid的计算方式是一样的,只不过最后计算了一个权重。最后我们会在这k个节点当中选择最大的作为最终的分类结果。 代码实现 最后,我们来试着写一下神经网络的代码,由机组于现在我们还没有介绍神经网络的训练方法,所以我们只能实现它预测的部分。等我们介绍完了反向传播算法之后,再来补上模型训练的过程。 如果不考虑反向传播的话,其实整个算法的代码非常简单,只要熟悉Python语法的同学都能看懂。 import numpy as np def relu(x): return np.where(x >&nbs装在p;0, x, 0) def sigmoid(x): return 1 / (1 + np.exp(-x)) class NeuralNetwork(): def __init__(self)一起: self.params = {} self.params['W1'] = np.random.rand(2, 3) 是不 self.params['b1'] = np.random.rand(1, 3) self.params['W2'] = np.random.rand(3, 2) self.par是就ams['b2'] = np.random.rand(1, 2) self.params['W3'] = np.random.rand(2, 1) self.params['b3'] =&nbs是神p;np.random.rand(1, 1) def forward(self, x): a1 = np.dot(x, self.params['W1'])&n经网bsp;+ self.params['b1'] z1 = relu(a1) a2 = np.dot(络了z1, self.params['W2']) + self.params['b2'] z2 = relu(a2) 太天 a3 = np.dot(z2, self.params['W3']) + self.params['b3'] return np.where(sigmoid(a3) > 0.5, 1, 0) &n才了bsp; if __name__ == "__main__": nn = NeuralNetwork() print(nn.forward(np.array([3, 2])))
- 最近发表
- 随机阅读
-
- 亚马逊卖家违规追踪买家:删除差评双倍奖励 不删就长期骚扰
- 标签: 阿里通义千问 林俊旸 高榕资本 红杉中国
- 微软的新玩具:LinkedIn推自由职业平台瞄准Upwork
- 马娘寄是什么梗
- Gartner:2025年将有75%的风险投资将使用AI做决策
- 标签: 埃泰克 603293 汽车电子 智能座舱
- 腾讯视频推出 “AI 修复” 片单,经典影视作品重现4K 画质
- 普洛斯发布《数据中心制冷系统高效预制集成技术白皮书》
- 标签: 蔚来 李斌 全新ES8 乐道L90
- 老外大学生发明AI模型:可快速生成中国山水画 人眼难辨真假
- 让我们一下玩转 Docker 部署
- Gemini AI 助手正式登场 Google TV,开启智能电视新体验
- 标签: Mac mini OpenClaw AI PC 无影AC
- 阻冲之什么梗
- Elastic 收购 build.security 以扩展云原生环境的安全
- 云安全日报210425:IBM数据保护平台发现执行任意代码漏洞,需要尽快升级
- 数据挖掘从入门到放弃之一线性回归和逻辑回归
- YouTube 开放人脸声纹识别技术,演艺圈迎来“数字替身”保卫战
- Nous Research 发布 Hermes 4 AI 模型,超越 ChatGPT 并无内容限制
- IBM收购云解决方案供应商Expertus 扩展混合云数字支付解决方案
- 搜索
-
- 友情链接