吴恩达-机器学习课程--08: Neural Networks的学习总结:
复杂的非线性分类问题上,特征维数n非常大,逻辑回归算法将不适用。
使用简单的逻辑单元模型模拟神经元工作:
输出,在神经网络中θ被称为权重weights
有时也画出x0,(x0=1)被称为偏置单元(bias unit)
神经元模型神经网络就是不同的神经元组合在一起的集合:
神经网络模型Layer1:输入层 Layer2:隐藏层(可能多个) Layer3:输出层
隐层和输出层节点的输入和输出之间具有函数关系,这个函数称为激励函数(activation function),此处是s型函数(sigmoid function)作为激励函数。
表示第2层的第1个神经元/激励。 激励:由一个具体的神经元读入计算并输出的值
计算假设函数输出Ɵ(j) 是一个控制 j 到 j+1 层函数映射的参数/权重矩阵,Ɵ(j) 是一是一个[X+1]的矩阵
是j层的神经元个数,是j+1层的神经元个数
x0,a0是偏置单元(bias unit),等于1,(图中未画出x0,a0)
矩阵Ɵ(1)、Ɵ(2)如下图所示:
矩阵Ɵ(1) 矩阵Ɵ(2)高效计算:
我们做如下定义:
,那么
,, =[ ,,]转置
,,这种从输入层的激励开始,然后传播给隐藏层计算,最终得出输出层激励的方式为,正向传播(forward propagation)
举例学习神经网络:
例1:用神经网络拟合“与运算”“或运算”
x1、x2取0或1,y为x1 AND x2 或 x1 OR x2
假设-30,+20,+20是已经训练好的模型中的参数
神经网络例1依次带入x1,x2的值预测函数给出的预测值正好和“与运算”的结果一致。“或运算”同理。
神经网络例1例2:用神经网络拟合XNOR“同或门”,XNOR:(x1 AND x2)OR [(NOT x1 ) AND (NOT x2)]
神经网络拟合XNOR即为 x1 AND x2的激励结果。还加上了偏置单元。
用神经网络做多类别分类:
假设有四个分类,那么输出层将有四个神经元
多类别分类期望输出为下:
输出
网友评论