机器学习之&&Andrew Ng课程复习--- 神经网络3
2014-11-12 21:56
253 查看
前几篇博客,我们已经对神经网络这种伟大的算法有了一定的了解,但具体的计算过程,参数(权重)的学习过程,我们任然不清楚,接下来,我们一同来看看,在给定训练集下,为神经网络拟合参数的过程,正如我们学习LR等一样,我们将从拟合代价函数开始,我们重点认识神经网络在分类中的应用。(如下图)
![](http://img.blog.csdn.net/20141112194551647?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3BfcHJvZ3JhbW1lcg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
如上图所示:我们有M个训练样本,用L表示一个神经网络的层数,sl表示l层的单元数目(神经元或者计算单元),其中不包括偏差单元。
![](http://img.blog.csdn.net/20141112200048711?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3BfcHJvZ3JhbW1lcg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
对于上图的解释:首先,我们用到的激励函数是sigmoid函数,LR的costFunction如上图第一行,而对于一个多(K)元分类神经网络来说,有K个输出,也就是说代价函数应该是K个sigmoid代价函数的合。接下来让我们一同优化这个代价函数。(主要以反向传播讲解为主)
我们以梯度下降法来学习参数如下图:
![](http://img.blog.csdn.net/20141112202739258?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3BfcHJvZ3JhbW1lcg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
让我们来看看如何计算这些偏导项,利用反向传播算法。
![](http://img.blog.csdn.net/20141112210225917?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3BfcHJvZ3JhbW1lcg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
利用从输出到输入的过程,计算每一层的误差。下面我们来看有M个样本的情况。
![](http://img.blog.csdn.net/20141112212527440?watermark/2/text/aHR0cDovL2Jsb2cuY3Nkbi5uZXQvc3BfcHJvZ3JhbW1lcg==/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70/gravity/Center)
公式推导。。。。等我推完发手写版
如上图所示:我们有M个训练样本,用L表示一个神经网络的层数,sl表示l层的单元数目(神经元或者计算单元),其中不包括偏差单元。
对于上图的解释:首先,我们用到的激励函数是sigmoid函数,LR的costFunction如上图第一行,而对于一个多(K)元分类神经网络来说,有K个输出,也就是说代价函数应该是K个sigmoid代价函数的合。接下来让我们一同优化这个代价函数。(主要以反向传播讲解为主)
我们以梯度下降法来学习参数如下图:
让我们来看看如何计算这些偏导项,利用反向传播算法。
利用从输出到输入的过程,计算每一层的误差。下面我们来看有M个样本的情况。
公式推导。。。。等我推完发手写版
相关文章推荐
- 机器学习之&&Andrew Ng课程复习--- 神经网络的表层结构2
- 机器学习之&&Andrew Ng课程复习--- 神经网络的表层结构1
- (转)机器学习之&&Andrew Ng课程复习---神经网络编程入门
- 机器学习之&&Andrew Ng课程复习--- LR之决策边界
- 机器学习之&&Andrew Ng课程复习--- Cost Function(Logistic Regression)
- Coursera 机器学习(by Andrew Ng)课程学习笔记 Week 5——神经网络(二)
- 机器学习之&&Andrew Ng课程复习--- 怎样选择机器学习方法、系统
- 机器学习之&&Andrew Ng课程复习--- 聚类——Clustering
- 机器学习之&&Andrew Ng课程复习--- 聚类——Clustering
- Coursera 机器学习(by Andrew Ng)课程学习笔记 Week 4——神经网络(一)
- 【机器学习入门】Andrew NG《Machine Learning》课程笔记之五:神经网络简介
- 机器学习之&&Andrew Ng课程复习--- 机器学习系统设计
- 机器学习之&&Andrew Ng课程复习--- 学习笔记(第三课)
- 机器学习之&&Andrew Ng课程复习--- 学习笔记(一、二课)
- Andrew NG 机器学习 笔记-week4-神经网络:表述
- Andrew NG 深度学习课程笔记:神经网络、有监督学习与深度学习
- 学习笔记——吴恩达-机器学习课程 1.2 什么是神经网络
- Andrew NG 机器学习 笔记-week5-神经网络的学习(Neural Networks:Learning)
- 斯坦福大学Andrew Ng - 机器学习笔记(3) -- 神经网络模型
- 斯坦福机器学习课程笔记week4&5-神经网络