3、神经元
我们人类有非常非常强的学习能力,我们只要看到老虎的照片4次到5次,并且有人告诉我们这是老虎,我们就会区分老虎了。
显微镜下的神经元.PNG
但是目前机器学习是不具备这个学习能力的,我们不可能通过4次到5次的训练,让一台机器学会辨识老虎。
手绘神经元.PNG
上面是在显微镜的观察下手绘的神经元。
维基百科中的神经元.PNG
每一个神经元的轴突连接着其它神经元的树突,神经元从树突接受信号,再从轴突传递出去。
复杂神经元.PNG
其中红色的部分是一个是一个神经元,黄色的部分是其它神经元的轴突,轴突与树突之间形成突触,突触之间通过化学物质或者电信号来传递信息。
人工神经网络.PNG
其中黄色的代表输入神经元,红色的代表输出神经元,绿色的代表隐藏层的神经元,中间的连线代表突触。
输入层信息要标准化.PNG
输入的信息要经过特征缩放,我们之前讲过的特征缩放方法有两种。
数据预处理阅读材料.PNG
大神在1998年写的文章。
输出神经元种类.PNG
输出的数据,也就是因变量,可以是连续的,也可以是二值数据,也可以是分类数据。
表示分类的输出神经元.PNG
它是同一组输入值输出值的不同表达部分,而不是不同的输入值对应的输出值。
一个输入对应一个输出.PNG
突触.PNG
权重代表信号传递的强和弱,我们训练神经网络的目的就是运用算法更新权重。
隐藏层的第一步就是计算加权和。
激活函数.PNG
第二步就是利用加权求和的值得到激活函数的值。
第三步就是将激活函数的值传递给输出神经元(因变量)。
网友评论