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 -> 吴恩达深度学习课程学习笔记第四周 -> 正文阅读

[人工智能]吴恩达深度学习课程学习笔记第四周

前向传播-单样本神经网络的输出

第一层的传播过程如下:

?第二层的传播过程如下:

对其向量化:

x(3,1):3个特征,一个样本,为一个列向量?

W^{\left [ 1 \right ]}\left ( 4,3 \right ):根据输入的行维度确定W的列维度,本层神经元的个数确定行维度

b^{\left [ 1 \right ]}(4,1):根据本层神经元个数的个数确定行维度,列维度始终为1

z^{\left [ 1 \right ]},a^{\left [ 1 \right ]}的维度都为(4,1)

a^{\left [ 2 \right ]}是一个标量,也可理解为(1,1)

输入层
我们把输入矩阵X记为a[0]。通常我们只计算隐藏层输出和输出层的输出,输入层是不用计算的。故把输入层层数上标记为0,即a[0],也因此把这种单隐藏层神经网络成为两层神经网络

隐藏层
把隐藏层输出记为 a[1]。用下标表示第几个神经元(下标从1开始)。例如?a_{1}^{\left [ 1 \right ]} 表示隐藏层第1个神经元,a_{2}^{\left [ 1 \right ]}?表示隐藏层第2个神经元……这样,隐藏层的4个神经元就可以将其输出 a[1] 写成矩阵的形式

前向传播-多样本神经网络的输出:

假设输入样本有m个,多样本的向量化过程如下图所示 ,其过程是对单样本中的输入向量做了“列扩展”,即把每个样本作为一列放入输入矩阵中,由此我们很容易得到W^{1}W^{2}b^{\left [ 1 \right ]}b^{\left [ 2 \right ]}的维度都不变(这一点在上面关于维度的说明已有解释),第一层的输出(这里用A^{\left [ 1 \right ]}]表示)的维度变成了(4,m),每一列即为每个样本产生的输出;第二层的输出(这里用A^{\left [ 2 \right ]}表示)的维度变成了(1,m),每一列即为每个样本产生的输出。

下面是关于m个样本前向传播的for循环形式和向量化形式。?

反向传播-神经网络的梯度下降 :

这里写图片描述

激活函数

sigmoid函数:除了输出层是个二分类问题,几乎不使用?

tnah函数:此函数适用非常优秀,几乎所有的场合

?函数选择

对于分类问题,输出层的激活函数一般会选择sigmoid函数。但是对于隐藏层的激活函数,tanh函数的表现会比sigmoid函数好一些。实际应用中,通常会会选择使用ReLU或者Leaky ReLU函数,保证梯度下降速度不会太小。

?

?

?

  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:2021-08-28 09:00:22  更:2021-08-28 09:01:24 
 
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 12:42:55-

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