1.最簡單的神經網路示意圖
其分為輸入層、輸出層、隱藏層
對於這樣乙個最簡單的神經網路，只有乙個隱藏層
在圖中，連線代表此神經元是由上一層的結點，通過一定的運算得到的。也就是說我們定義好輸入層的值和其結點的運算方式，我們就可以得到下一層的結點所對應的值
2.感知器
感知器是第乙個具有完整演算法描述的神經網路演算法（感知器學習演算法：pla）
任何線性分類或線性回歸問題都可以用感知器來解決
我們可以通過觀察發現，如果將最簡單的神經網路的一部分拆解出來，就是乙個感知器模型
在感知器模型中，輸入層的資料通過一定的運算加權求和，得到隱藏層的資料
而如果我們將多個感知器合起來，就可以形成乙個人工神經網路
3.深度學習
含多層隱藏層的多層感知器就是一種深度學習結構
深度學習之卷積神經網路
卷積神經網路是一種多層神經網路，擅長處理影象特別是大影象的相關機器學習問題。卷積網路通過一系列方法，成功將資料量龐大的影象識別問題不斷降維，最終使其能夠被訓練。cnn最早由yann lecun提出並應用在手寫字型識別上 minst lecun提出的網路稱為lenet，其網路結構如下 這是乙個最典型的...
深度學習之卷積神經網路
目錄 持續更新 概述 卷積神經網路中啟用函式relu 卷積網路 卷積網路架構 卷積層輸出計算 池化層的輸出計算 卷積神經網路的訓練 卷積層的訓練 pooling層的訓練 卷積神經網路 cnn 一種更適合影象 語音識別任務的神經網路結構 用cnn解決的問題都存在區域性與整體的關係。由低層次的特徵經過組...
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...