| |
|
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 -> 吴恩达深度学习课程学习笔记 第三周 浅层神经网络(上) -> 正文阅读 |
|
[人工智能]吴恩达深度学习课程学习笔记 第三周 浅层神经网络(上) |
【3.1 神经网络概览】如何实现一个神经网络? 注:? x表示输入特征,参数W和b, 中的[1]表示神经网络的“层”,表示与节点相关的量,区分的(i)-表示单个训练样本。 把很多个sigmoid单元堆叠起来构成一个神经网络,节点对应类似z和a的计算。 也可进行反向计算。 【3.2 神经网络表示】例: 单隐层神经网络,也称双层神经网络(输入层为第0层) ?
隐藏层和输入层是带有参数的 ? 【3.3 计算神经网络的输出】以logistic回归的结果为例: ? 注: 左侧:圆圈(节点)代表了回归计算的两个步骤:1.先算出z,2.然后再计算激活函数,即。神经网络就是多次重复这个计算步骤。 右侧:举例计算第一个和第二个节点的z和a。第三个、第四个节点类推,下标不同。
四个节点计算的相应等式如下: ? 如果在神经网络用for loop执行很低效,所以要把这四个等式向量化: 角标T代表转置,把 转置后的w(nx,1)堆起来构成一个矩阵,w的转置是行向量,此处的w是(3,1)向量。这层共有四个节点,所以构成(4,3)矩阵。 计算:转置堆叠后的w矩阵与x(3,1)相乘,x=,x用代替,再加。 其中,?如下图所示,相当于把函数作用到z中的每个元素。 ? ?
? recap: 如果有一个单隐层神经网络,需要在代码中实现的是计算右侧四个式子,是一个向量化的计算过程。上两个式子对应第一层,下两个对应第二层。四行代码实现,高效。 输入当然特征向量x,与处理logistic回归做法类似,想把整个训练样本向量化,通过把不同样本堆叠起来构成矩阵,再稍微修改一下公式,就能计算出不止一个样本的神经网络输出。 【3.4 多个例子中的向量化】将不同训练样本向量化,输出结果和logistic回归相似。将不同的训练样本堆叠起来,放入矩阵的各列。 ? |
|
|
上一篇文章 下一篇文章 查看所有文章 |
|
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 12:43:40- |
|
网站联系: qq:121756557 email:121756557@qq.com IT数码 |