IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> 神经网络1 -> 正文阅读

[人工智能]神经网络1

一、感知机到神经网络?

在这里插入图片描述
输入层为第0层,隐藏层(中间层)为第1层,输出层为第2层,神经网络的连接方式与感知机并没有差异。

由公式:
y = { 0 , w 1 x 1 + w 2 x 2 + b ≤ 0 1 , w 1 x 1 + w 2 x 2 + b > 0 y=\begin{cases} 0,w_1x_1+w_2x_2+b\leq0\\ 1,w_1x_1+w_2x_2+b\gt0\\ \end{cases} y={0,w1?x1?+w2?x2?+b01,w1?x1?+w2?x2?+b>0?
b是被称为 偏置的参数,用于控制神经元被激活的容易程度,而 w 1 , w 2 w_1,w_2 w1?,w2?表示各个信号的权重的参数,用于控制各个信号的重要性。引入h(x),则式子改写为 y = h ( b + w 1 x 1 + w 2 x 2 ) y=h(b+w_1x_1+w_2x_2) y=h(b+w1?x1?+w2?x2?) h ( x ) = { 0 , ( x ≤ 0 ) 1 , ( x > 0 ) h(x)=\begin{cases} 0,(x\leq0)\\1,(x>0)\\\end{cases} h(x)={0,(x0)1,(x>0)?这里的h(x)函数将输入信号的总和转换为输出信号,这种函数叫激活函数,在进一步改写,先计算输入信号加权总和,然后用激活函数转换这一总和。 a = b + w 1 x 1 + w 2 x 2 a=b+w_1x_1+w_2x_2 a=b+w1?x1?+w2?x2? y = h ( a ) y=h(a) y=h(a)
在这里插入图片描述
上图中,信号加权总和为节点a,该节点被激活函数 h ( x ) h(x) h(x)转化为节点y。

二、激活函数?

函数以阈值为界,一旦输入超过阈值,就切换输出,这样的函数叫“阶跃函数”。感知机使用阶跃函数作为激活函数,如果将激活函数从阶跃函数换成其他函数,就可以进人神经网络的世界了。

2.1sigmoid函数

h ( x ) = 1 1 + e x p ( ? x ) h(x)=\frac{1}{1+exp(-x)} h(x)=1+exp(?x)1?函数就是给定某个输人后,会返回某个输出的转换器,类似h(1.0) = 0.731… h(2.0) = 0.88…这样。神经网络中用sigmoid函数作为激活函数,进行信号的转换,转换后的信号被传送给下一个神经兀
在这里插入图片描述
sigmoid 函数是一条平滑的曲线,输出随着输人发生连续性的变化,神经网络中流动的是连续的实数值信号。

2.2阶跃函数

当输人超过0时,输出1,否则输出0
在这里插入图片描述

阶跃函数以0为界,输出从0切换为1(或者从1切换为0)。它的值呈阶梯式变化(急剧性变化),所以称为阶跃函数。感知机中神经元之间流动的是0或1的二元信号。

总结:

两个函数共同性质:它们具有相似的形状;输入信号重要时,两个函数输出值都较大,输入不重要时,输出都比较小;输出值限定在0到1之间;两个函数都是非线性函数。
神经网络的激活函数只能使用非线性函数。使用线性函数,不管加多少层,总是存在与之等效的无隐藏层的神经网络。例子见https://blog.csdn.net/Freddyfang/article/details/119758840

2.3.ReLU函数

ReLU函数在输入大于0时,直接输出该值;在输人小于等于0时,输出0
在这里插入图片描述
公式为: h ( x ) = { x , ( x ≤ 0 ) 0 , ( x > 0 ) h(x)=\begin{cases} x,(x\leq0)\\0,(x>0)\\\end{cases} h(x)={x,(x0)0,(x>0)?

三、神经网络组成?

神经网络可以看作由多个感知机组成,如图

在这里插入图片描述

四、神经网络内积

在这里插入图片描述
输入量为 X = [ x 1 , x 2 ] X=[x_1,x_2] X=[x1?,x2?],输出量为 Y = [ y 1 , y 2 , y 3 ] Y=[y_1,y_2,y_3] Y=[y1?,y2?,y3?],权值为 W = [ 1 3 5 2 4 6 ] W=\begin{bmatrix} 1 & 3 & 5\\ 2 & 4 &6\end{bmatrix} W=[12?34?56?]

用矩阵写出该神经网络: Y = X W Y=XW Y=XW

假设输入矩阵 A = [ 2 , 4 ] , W = [ 1 3 5 2 4 6 ] , A=[2,4],W=\begin{bmatrix} 1 & 3 & 5\\ 2 & 4 &6\end{bmatrix}, A=[2,4],W=[12?34?56?],所以输出矩阵为 Y = [ y 1 , y 2 , y 3 ] = [ 10 , 22 , 34 ] Y=[y_1,y_2,y_3]=[10,22,34] Y=[y1?,y2?,y3?]=[10,22,34],矩阵 Y Y Y为两个矩阵的内积。

import numpy as np
arr1=np.array([2,4])
arr2=np.array([1,3,5],[2,4,6])
arr3=np.dot(arr1,arr2)
print(arr3)


  人工智能 最新文章
2022吴恩达机器学习课程——第二课(神经网
第十五章 规则学习
FixMatch: Simplifying Semi-Supervised Le
数据挖掘Java——Kmeans算法的实现
大脑皮层的分割方法
【翻译】GPT-3是如何工作的
论文笔记:TEACHTEXT: CrossModal Generaliz
python从零学(六)
详解Python 3.x 导入(import)
【答读者问27】backtrader不支持最新版本的
上一篇文章      下一篇文章      查看所有文章
加:2021-08-18 12:42:30  更:2021-08-18 12:43:07 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁

360图书馆 购物 三丰科技 阅读网 日历 万年历 2024年11日历 -2024/11/1 12:31:03-

图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码