《机器学习》读书笔记 7 第5章 神经网络 一
2017-08-29 22:27
316 查看
1 神经元模型
神经网络神经网络是有具有适应性的简单单元组成的广泛并行互联的网络,它的组织能够模拟生物神经系统对真实世界物体作出的交互反应。机器学习中的神经网络指的是神经网络学习。
M-P 神经元模型
在这个模型中,神经元接收到来自n个其他神经元传递过来的输入信号,这些信号通过带权重的连接进行传递,神经元接收到的总输入值将与神经元的阈值做比较,然后通过激活函数处理以产生神经元的输出。
激活函数
理想的激活函数是阶跃函数:一个分段函数 x<0 y=0,x>=0 y=1.但其不连续、不光滑。
常用的阶跃函数为Sigmoid函数,典型的Sigmod函数是对数几率函数:
sigmoid(x)=11+e−x
2 感知机与多层网络
感知机感知机由两层神经元组成。输入层接收外界输入信号后传递给输出层,输出层是M-P神经元,也称阈值逻辑单元。
感知机能容易实现逻辑与、或、非运算。
感知机的学习规则
简化:阈值可以看作一个固定输入为-1的哑结点,对应一个额外的连接权重,这样阈值学习就可以统一为权重学习。
规则:对训练样例(x,y),若当前感知机的输出为y^,则感知机权重将这样调整:
wi←wi+Δwi
Δwi=η(y−y^)xi
若感知机对训练样例(x,y)预测正确,则感知机不发生变化,否则根据错误的程度进行权重调整。
注意:感知机只有输出层神经元有激活函数,学习能力有限,甚至不能解决异或这样简单的非线性可分问题。
多层网络
两层感知机就能解决异或问题。
输出层与输入层之间的一层神经元,称为隐层或隐含层。
隐含层和输出层神经元都是拥有激活函数的功能神经元。
多层前馈神经网络
常见的神经网络,每层神经元与下一层神经元全互连,神经元之间不存在同层连接,也不存在跨层连接,称为多层前馈神经网络。
神经网络学习过程
神经网络的学习过程就是根据训练数据来调整神经元之间的连接权 以及 各功能神经元的阈值。神经网络学到的东西,蕴含在连接权和阈值中。
相关文章推荐
- 《机器学习》读书笔记 7 第5章 神经网络 二
- 机器学习(周志华)读书笔记-(五)神经网络(2)卷积神经网络
- 机器学习第5章第1节(下) : 针对两类函数训练神经网络
- 机器学习(周志华)读书笔记-(五)神经网络(1)
- <机器学习>(周志华)读书笔记 -- 第五章 神经网络
- 【机器学习实战】——第五章 神经网络
- 整理《Mastering OpenCV with Practical Computer Vision Projects》中第5章用SVM和神经网络进行车牌识别操作流程
- 机器学习必知的八大神经网络架构
- python机器学习库sklearn——神经网络回归预测
- 斯坦福大学机器学习第九课“神经网络的学习(Neural Networks: Learning)”
- Stanford机器学习 第四周:神经网络表述
- 机器学习+周志华+第五章习题+解决异或问题的单层RBF神经网络
- 机器学习理论与实战(十二)神经网络 .
- 神经网络和机器学习基础入门分享
- 机器学习(1)--神经网络初探
- 机器学习中使用的神经网络(一)
- 【原】Andrew Ng斯坦福机器学习(8)——Lecture 8_Neural Networks Representation 神经网络:表述
- 机器学习-学习笔记 神经网络
- 机器学习(11.3)--神经网络(nn)算法的深入与优化(3) -- QuadraticCost(二次方代价函数)数理分析
- 【机器学习】神经网络DNN的正则化