当前位置：首页 > article >正文

孙怡带你深度学习（1）--神经网络

article 2024/11/10 7:11:21

深度学习

深度学习(DL, Deep Learning)是机器学习(ML, Machine Learning)领域中一个新的研究方向。

在这里插入图片描述

从上方的内容包含结果，我们可以知道，在学习深度学习之前，我们还需要了解一下什么是神经网络。

神经网络，我们可以将它类比为人类的神经元，由外界传递信息，产生神经冲动，传递电信号，做出行为的过程。

在这里插入图片描述

这是生物学上的体现，那么，在神经网络中是如何体现的呢？
在这里插入图片描述

由外界传入数据，然后通过“路径”抵达神经元，在每一条的“路径”上会有不同的w参数，与传入的数据进行计算。从而影响接收值：

在这里插入图片描述

在推导式中，每条“路径”上的信息传入神经元，然后对他们进行累加求和，接着经过特定的输出函数sigmoid函数输入，对结果进行分类。

神经网络的本质：通过参数与激活函数来拟合特征与目标之间的真实函数关系。但在一个神经网络的程序中，不需要神经元和线，本质上是矩阵的运算，实现一个神经网络最需要的是线性代数库。

由两层神经元组成的神经网络–“感知器”（Perceptron）,感知器只能线性划分数据。

在这里插入图片描述

对于这样简单的感知器，只能线性划分数据，因为对于神经元的结果，只有y =kx+b一层计算，只可以在二维空间画一条直线划分，这样的话，对于一些区域型的数据无法具体分类，比如：

在这里插入图片描述

对于这组数据的分类，是无法通过一条直线就让它们分开的，那该如何分类N呢？

我们得让分类的线弯曲，比如:

在这里插入图片描述

这样就将类别划分开了。可是，我们该怎样使这条“线”弯曲呢？通过多层感知器。

多层感知器其实就是增加了一个中间层，即隐含层。而这，也就是神经网络可以做非线性分类的关键。

在这里插入图片描述

多层感知器同简单感知器的区别就是多加了1层运算，那这样我们的计算就变成了y=w1x1+w2x2+b，在一个二维图片中，这样的函数计算可以使“线”弯曲，从而实现了非线性分类。

在神经网络中需要默认增加偏置神经元（节点），这些节点是默认存在的。它本质上是一个只含有存储功能，且存储值永远为1的单元。在神经网络的每个层次中，除了输出层以外，都会含有这样一个偏置单元。

在这里插入图片描述

偏置节点没有输入（前一层中没有箭头指向它）。一般情况下，我们都不会明确画出偏置节点。

在这里插入图片描述

神经网络从左到右分为输入层、隐含层、输出层。

需要记忆：

设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定；
1. 输入层的节点数：与特征的维度匹配（特征数量）。
2. 输出层的节点数：与目标的维度匹配（类别结果数量）。
3. 中间层的节点数：目前业界没有完善的理论来指导这个决策。一般是根据经验来设置。
神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别；
结构图里的关键不是圆圈（代表“神经元”），而是连接线（代表“神经元”之间的连接）。每个连接线对应一个不同的权重（其值称为权值），这是需要训练得到的。