吴恩达深度学习--浅层神经网络
2018-01-25 20:09
260 查看
什么是神经网络
神经网络的作用是给定一组输(x1,x1...xn)经过一系列的计算得出一个输出a,然后将输出a和实值y作比较,不断地调整参数,最终使得输出a的值达到合适的位置。如图二所示,它的计算流程是:
-反向传播是将loss反向传播回去,本质是链式法则求导,然后更新权重参数。
神经网络的层数
如图一的神经网络,它包括输入层,隐藏层和输出层,分别是第0层、第1层、第2层。但是我们不把输入层称为一层,所以这个神经网络只有2层,也称作单隐层神经网络。神经网络的表达
由图3可以看出,每一层的计算包括两部分,一部分是计算出z的值,另一部分是利用激活函数求出输出值。对于一个单隐层的神经网络来说,它的计算如下:
第一层
z[1]1=w[1]T1x+b[1]1,a[1]1=δ(z[1]1)
z[1]2=w[1]T2x+b[1]2,a[1]2=δ(z[1]2)
z[1]3=w[1]T3x+b[1]3,a[1]3=δ(z[1]3)
z[1]4=w[1]T4x+b[1]4,a[1]4=δ(z[1]4)
第二层
z[2]=w[2]Ta[1]+b[2],a[2]=δ(z[2])
神经网络的向量化表达
向量化可以消除for循环带来的低效率,在非向量化的伪代码表示为:for−i=1−to−m
z[1](i)=W[1]x(i)+b[1]
a[1](i)=δ(z[1](i))
z[2](i)=W[2]a[1](i)+b[2]
a[2](i)=δ(z[2](i))
向量化表示为
Z[1]=W[1]X+b[1]
A[1]=δ(Z[1])
Z[2]=W[2]X+b[2]
A[2]=δ(Z[2])
**
最后附Ng大佬视频截图相关文章推荐
- coursera 吴恩达 -- 第一课 神经网络和深度学习 :第三周课后习题 Planar data classification with a hidden layer
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-2)-- 神经网络基础(转载)
- 吴恩达老师深度学习视频课笔记:多隐含层神经网络公式推导(二分类)
- 吴恩达深度学习课程笔记 1.3用神经网络进行有监督学习
- 深度学习与神经网络-吴恩达-第二周优化算法
- 吴恩达《深度学习-神经网络和深度学习》1--深度学习概论
- Coursera 深度学习 deep learning.ai 吴恩达 神经网络和深度学习 第一课 第二周 编程作业 Python Basics with Numpy
- 深度学习与神经网络-吴恩达(Part1Week4)-深度神经网络编程实现(python)-基础篇
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-3)-- 浅层神经网络(转载)
- coursera 吴恩达 -- 第一课 神经网络和深度学习 :第四周课后习题 Deep Neural Network - Application v3
- 神经网络与深度学习编程练习(coursera 吴恩达 )(2)
- 吴恩达深度学习入门学习笔记之神经网络和深度学习(第一周)
- 吴恩达深度学习视频笔记1-4:《神经网络和深度学习》之《深层神经网络》
- coursera 吴恩达 -- 第一课 神经网络和深度学习 :第二周课后习题 Neural Network Basics Quiz, 10 questions
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-4)-- 深层神经网络(转载)
- coursera 吴恩达 -- 第一课 神经网络和深度学习 :第四周课后习题 Building your Deep Neural Network - Step by Step v5
- Coursera deep learning 吴恩达 神经网络和深度学习 第二周 编程作业 Logistic Regression with a Neural Network mindset
- 吴恩达《深度学习-神经网络和深度学习》3--浅层神经网络
- 吴恩达深度学习课程笔记之神经网络基础
- 吴恩达深度学习第一课第三周(浅层神经网络)