机器学习-吴恩达笔记4

在本章节中主要讲解的是神经网络的基础知识：

• 非线性假设

• 神经元和大脑

• 模型表示

• 特征和直观理解

• 多类分类问题

非线性假设Non-linear Hypotheses

线性回归和逻辑回归的缺点：特征太多的时候，计算负荷会非常大

假设我们希望训练一个模型来识别视觉对象（例如识别一张图片上是否是一辆汽车），一种方法是我们利用很多汽车的图片和很多非汽车的图片，然后利用这些图片上一个个像素的值（饱和度或亮度）来作为特征。

QCQ1HA.png QCQcCV.png

假设采用的是50*50像素的小图片，将所有的像素视为特征，则有2500个特征。

普通的逻辑回归模型不能处理的，需要使用神经网络

---

神经元和大脑

QClMGV.png

模型表示

模型表示1

每个神经元是可以被认为一个处理单元/神经核processing unit/Nucleus，主要包含：

• 多个输入/树突（input/Dendrite)

• 一个输出/轴突（output/Axon）

神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络

MxiT4P.png

1. 神经网络模型建立在很多神经元之上，每一个神经元又是一个个学习模型

2. 神经元称之为激活单元activation unit；在神经网络中，参数又可被成为权重（weight）

3. 类似神经元的神经网络

MxkdoR.png

神经网络

下图是逻辑回归模型作为自身学习模型的神经元示例

QC1BYq.png

类似神经元的神经网络结构

QC3J41.png

• ​是输入单元，将原始数据输入给它们

• 几个比较基础的概念

  • 输入层：数据节点所在的层

  • 网络层：输出​连同它的网络层参数​

  • 隐藏层：网络层中间的层

  • 输出层：最后一层

  • 偏置单元：bias unit，每层加上偏置单元

  上面模型的激活单元和输出分别表示为：

  QCYGqO.png

  三个激活单元：
  

**输出的表达式为：**

> 将特征矩阵的每行（一个训练实例）喂给了神经网络，最终需要将整个训练集都喂给神经网络。

这种从左到右计算的算法称之为：前向传播法FORWARD PROPAGATION

模型标记的记忆方法

• 表示的是第层的第个激活单元

• 代表从第层映射到第层的权重矩阵；例如：上图所示的神经网络中的尺寸为 3*4。其尺寸具体表示为

  • 以第 层的激活单元数量为行数

  • 以第 层的激活单元数+1为列数的矩阵

模型表示2

（FORWARD PROPAGATION ) 相对于使用循环来编码，利用向量化的方法会使得计算更为简便。

其中

就是上面三个激活单元式子中的括号里面部分

将输入看成是​，则

那么输出h可以表示为

QC02nI.png QC02nI.png

特征和直观理解

神经网络中，单层神经元（无中间层）的计算可用来表示逻辑运算，比如逻辑与(AND)、逻辑或(OR)

实现逻辑”与AND”

x_1	x_2	h
0	0	0
0	1	0
1	0	0
1	1	1

QCry3F.png

实现逻辑"或OR"

x_1	x_2	h
0	0	0
0	1	1
1	0	1
1	1	1

QCsFDs.png

实现逻辑“非not”

QC5cvt.png

多类分类问题

当输出中不止有两中分类时，比如使用神经网络算法来识别路人、汽车、摩托车等。

QCIpG9.png

• 输入向量有3个维度，两个中间层

• 输出层有4个神经元表示4中分类，也就是每一个数据在输出层都会出现​，且​中仅有一个为1，表示当前类

TF中解决办法

上述多类分类问题和TF中手写数字问题类似，解决办法如下：

• 将输出设置为​个输出节点的向量，​与类别数相同

• 让第​个输出值表示当前样本属于类别的概率P

• 如果属于第​类，索引为​的位置设置为1，其余为0！！！！

• 下图中：对于所有猫的图片，数字编码是0，one-hot编码为[1,0,0,0]；其他类推

QpgRT1.png

3. 手写数字图片数据

总类别数是10，即输出节点总数值​，假设某个样本的类别是，即图片中的数字是​，需要一个长度为10的向量​，索引号为​的位置设置为1，其余是0。

• 0的one-hot编码是[1,0,0,0,….]

• 1的one-hot编码是[0,1,0,0,….]

• 其余类推