AI入門之神經網路(4) 自學筆記

2021-10-11 11:16:41 字數 1423 閱讀 9592

學習任何一樣東西,最重要的就是基礎。此部落格是本人學習神經網路的筆記,在這裡提供分享,記錄自學的心路歷程!

基礎:在這裡簡單說哈學習神經網路需要的一些數學基礎,它包括向量、矩陣、多元微積分、等數**算。

神經網路是一種運算模型,由大量的節點(或稱神經元)之間相互連線構成,每個節點代表一種特定的輸出函式(稱為啟用函式)。每兩個節點間的連線都代表乙個對於通過該連線訊號的加權重(權重weight),神經網路就是通過這種方式模擬人類的大腦。網路的輸出則取決於網路的結構、網路的連線方式、權重和啟用函式。而網路自身通常都是對自然界某種演算法或函式的逼近,也可能是對一種邏輯策略的表達。

人工神經網路構成的基本原理主要考慮三個方面的問題:

1神經元的啟用函式(數學模型)

2神經元之間的連線方式(拓撲結構)

3學習演算法(訓練演算法)

神經元數學模型的計算能力有兩個規則:

1組合輸出訊號的規則

2將組合輸入訊號計算成輸出訊號的激勵規則,輸出訊號經過連線權傳送給其他節點,加權的強度通常會是正在通訊的訊號產生興奮或抑制。

人工神經元模型的要素:

1連線加權、連線加權對每個輸入訊號進行處理以確定其強度,各個神經元之間的連線強度由連線權的權值(重)表示,權值為正表示啟用,為負表示抑制。連線加權對應於生物神經元的突觸(兩個細胞的介面)。從數學上看,當輸入訊號進入神經元時,它會乘以乙個權值。

例如:如果乙個神經元有兩個輸入,則每個輸入將具有分配給它的乙個關聯權重,我們隨機初始化權值,並在模型訓練過程中更新這些權值,訓練後的神經網路對其認為重要的輸入賦予較重權值,對於不那麼重要的輸入對應較低權值,為零的權值則表示特定輸入訊號的特徵是微不足道的。

2求和單元,用於求取所有輸入訊號的加權和(線性組合)

3啟用函式,一旦將線性分量應用於輸入,將需要應用乙個非線性函式,通過將啟用函式應用於線性組合來完成。啟用函式將輸入訊號轉換成輸出訊號,啟用函式起到非線性對映作用,並將神經元輸出幅度限制在一定範圍內,一般取值為(0,1)或者(-1,1).啟用函式也稱為獎勵函式、轉移函式、傳輸函式或限制函式,其反映了神經元輸入訊號與其啟用狀態之間的關係,也就是神經元在輸入訊號作用下產生輸出訊號的規律,這是神經元模型的外特性。

4閾值(偏差),乙個閾值δk,如果用x0=1的固定偏置輸入節點表示閾值節點,則它與神經元k之間的連線強度為wk0=-δk,閾值也稱偏差(bias),它是除了權中之外,另乙個被應用於輸入的線性分量,它被加到權重與輸入相乘的結果中。新增偏差的目的是改變權重與輸入相乘所得結果的範圍,新增偏差後,結果看起來是「求和單元輸出+偏差」,這是輸入變換的最終線性分量。

西瓜書學習筆記之神經網路

感知機 感知機是一種最簡單形式的前饋神經網路,是二元線性分類模型,輸入為例項的特徵向量,輸出為他的類別 1 1 感知機的目的是訓練出將資料分隔開的分離超平面。感知機能輕易完成與 或 非運算,感知機的權重w如此調整 每次改變 wi,wi y y xi 這裡,是學習率,y y 是 值y 和實際值y的差,...

機器學習之神經網路

機器學習是一門致力於研究如何通過計算的手段,利用經驗來改善系統自身的效能。經驗通常以資料的形式存在,因此機器學習所研究的主要內容是關於在計算機上從資料中產生 模型 的演算法,即 學習演算法 有了學習演算法,將經驗資料提供給它,它就能基於這些資料產生模型 當面對新情況時,模型會給我們提供相應的判斷。一...

PyTorch學習之神經網路

神經網路可以通過torch.nn包來構建,它是基於自動梯度來構建一些模型,乙個nn.module包括層和乙個方法forward input 同時也會返回乙個輸出 output 下圖是乙個簡單的前饋神經網路lenet,乙個簡單的神經網路包括一下幾點 super net,self 首先找到 net 的父...