吴恩达机器学习(六)神经网络(前向传播)
目录
0. 前言
1. 神经网络模型
2. 前向传播(forward propagation)
3. 神经网络中的多分类
学习完吴恩达老师机器学习课程的神经网络,简单的做个笔记。文中部分描述属于个人消化后的理解,仅供参考。
如果这篇文章对你有一点小小的帮助,请给个关注喔~我会非常开心的~
0. 前言
神经网络(Neural Network),是通过模拟生物大脑的突触神经传播电信号的一系列过程,来模拟生物思考,进而解决分类问题,通常,神经网络可以用来解决一些非线性的问题。
- 输入层(input layer):输入
- 隐藏层(hidden layer):对输入层作一系列“处理”,“处理”通常由系数的运算和激活函数组成,隐藏层可以有多层
- 输出层(output layer):接受隐藏层的输出,再进行一系列处理,最终输出
给出符号的初始定义:
- --- 第 层到第 层之间的权重矩阵
- --- 为第 层的第 个激活单元所计算的值
- --- 第 层的第 个激活单元
1. 神经网络模型
简单神经网络模型如下所示(图源:吴恩达机器学习,更改后)。Layer1为输入层,Layer2为隐藏层,Layer3为输出层。
隐藏层中的每一个激活单元,都使用了来自输入层的每一个单元的数值;输出层中的每一个激活单元,都使用了来自隐藏层中的每一个单元的数值。
注: 是偏置单元(bias unit),为一常数,不接收前一层的输入。
这里 可以看作是 ,为第一层(输入层)的激活单元。
2. 前向传播(forward propagation)
对于隐藏层和输出层的激活单元的计算,我们可给出如下计算公式,其中 仍然表示 函数:
简单来说,这一层的每一个激活单元,都需要由上一层的每一个激活单元乘以一个系数再求和,包裹一个激活函数(此处为 函数)得到,然后为这一层增加一个偏置单元,继续进行下一层的计算。这种由输入层,逐渐向后计算,计算到输出层的方式,称为前向传播(forward propagation)。
同样,我们可以将其向量化, , , , ,给出公式如下:
其中, 的维度为 , 表示第 层的单元数量(不包括偏置单元)。
一般化,可得以下公式:
3. 神经网络中的多分类
在逻辑回归中,我们已经学习得知 表示分类至此类别的概率。所以,多分类由几个基分类器组成,计算每个类别的 ,最大的 的类别即为分类结果。
同理,在神经网络中,也是运用此原理,如下图所示(图源:吴恩达机器学习):
图为一个4分类的例子,输出层不再只有一个单元,而是4个单元,每一个单元表示分类至此类别的 ,也就是概率,概率最大的即为分类结果。
如果这篇文章对你有一点小小的帮助,请给个关注喔~我会非常开心的~
吴恩达机器学习(六)神经网络(前向传播)相关推荐
- 吴恩达机器学习4——神经网络
吴恩达机器学习4--神经网络 1. 非线性假设 2. 神经网络算法 2.1 神经元 2.2 神经网络 3. 神经网络算法实例 3.1 例子1:单层神经网络表示逻辑运算 3.2 例子2 4. 多分类 1 ...
- 吴恩达机器学习[9]-神经网络学习
神经网络学习 Neural Network 非线性假设 Non-linear hypotheses 神经元与大脑 Neurons and the brain 模型展示1 Model represent ...
- 吴恩达机器学习:神经网络 | 反向传播算法
上一周我们学习了 神经网络 | 多分类问题.我们分别使用 逻辑回归 和 神经网络 来解决多分类问题,并了解到在特征数非常多的情况下,神经网络是更为有效的方法.这周的课程会给出训练 神经网络 所使用的 ...
- 吴恩达机器学习 6.神经网络学习
一.非线性假设 学习了线性回归和逻辑回归,二者都有的缺点有:当特征太多时,计算的负荷会非常大. 假如: 当使用x1,x2x_1,x_2x1,x2的多项式进行预测时,我们可以应用的很好. 之前有了解 ...
- 吴恩达机器学习 7.神经网络参数的反向传播算法
1.神经网络算法的代价函数 标记方法 神经网络的训练样本有m个 每个包含一组输入x和一组输出信号y L表示神经网络层数 SIS_ISI表示每层的神经元个数 SlS_lSl表示输出层的神经元个数 S ...
- 吴恩达机器学习:神经网络学习和作业
神经网络 (一)神经网络模型理解 1.1 模型 1.2 神经网络模型(前馈) 1.3 建立神经网络模型 1.4 多元分类 1.5 循环神经网络与对称连接网络 (二)神经网络模型实现 2.1 代价函数 ...
- 吴恩达机器学习Week4神经网络表述
神经元模型 定义:神经网路是由具有适应性的简单单元组成的广泛并行互连的网络,它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应[Kohomen,1988]. 神经网络中最基本的成分是神经元(N ...
- 吴恩达机器学习5——神经网络的学习
神经网络的学习 1. 代价函数和反向传播 1.1 代价函数 1.2 反向传播算法 1.3 反向传播算法的直观理解 2. 神经网络算法技巧 2.1 参数展开技巧 2.2 梯度检验 2.3 随机初始化参数 ...
- python分类预测降低准确率_python实现吴恩达机器学习练习3(多元分类器和神经网络)...
Programming Exercise 3: Multi-class Classification and Neural Networks 吴恩达机器学习教程练习3,练习数据是5000个手写数字(0 ...
最新文章
- ubuntu16.04安装UR3/UR5/UR10机械臂的ROS驱动并实现gazebo下Moveit运动规划仿真以及真实UR3机械臂的运动控制(1)
- AC日记——凌乱的yyy 洛谷 P1803
- 傅里叶分析(matlab)
- ServiceStack.Redis 请求次数6000次异常
- 200(强缓存)和304(协商缓存)的区别
- windwos 批处理重定向, 讲的策彻底
- 20190810:存在重复(三种解法)
- 11.2.0.3.0 PATCH SET FOR ORACLE DATABASE SERVER for windows (32bit)
- 12.13 Nginx防盗链 12.14 Nginx访问控制 12.15 Nginx解析php相关配置 12.16 Nginx代理
- vue+elementUI+node实现登录模块--验证用户名是否正确
- python读conf配置文件完成登录_python conf配置文件
- 国二c语言程序设计分值分布,计算机二级分值
- 8芯网线中哪几根是有用的?
- C++打印机首选项设置
- MATLAB R2016b + VS2017专业版安装spams
- 联想Y400 拆光驱加装固态硬盘
- pica8公司和picOS
- Firefox for Mac(火狐浏览器 mac)一款速度快到飞起的浏览器
- 从myspace数据库看分布式系统数据结构变迁
- excel 查找/替换 回车键