深度学习基础(一)神经网络
2015-01-19 21:29
561 查看
由生物学基础我们知道,神经网络是有无数个神经元和连接这些神经元的突触构成的,某个神经元接受一系列的电信号刺激,当这个刺激达到一定的阀值后,这个神经元就被激活,通过突触将某些信息传递给下一个神经元。每个神经元可以看成是一个激活函数(activation function),输入值为强度大小不同的电刺激,输出值为传递给下一个神经元的刺激。
我们先来看神经网络最简单的形式,神经元。
输入:
x1,x2,x3 和 +1
输出:
最常见的激活函数形式有:
神经网络由多个神经元组成:
为了方便表示,我们定义一些符号:
nl:神经网络的层数 Ll为输入层
为输出层
:是第l层的第j个单元与第l+1层的第i个单元之间的参数
:表示的是第l层的第i个单元被激活(激活函数的输出值) l=1时候代表输入值x
:表示的是第l层的第i个单元的所有输入值
.
于是我们有:
将z向量化表示后:
最后化简得到:
这个就是所谓的向前传导(forward propagation),可以理解为刺激由左往右逐层传递,最后输出一个值。
参考资料http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
我们先来看神经网络最简单的形式,神经元。
输入:
x1,x2,x3 和 +1
输出:
最常见的激活函数形式有:
神经网络由多个神经元组成:
为了方便表示,我们定义一些符号:
nl:神经网络的层数 Ll为输入层
为输出层
:是第l层的第j个单元与第l+1层的第i个单元之间的参数
:表示的是第l层的第i个单元被激活(激活函数的输出值) l=1时候代表输入值x
:表示的是第l层的第i个单元的所有输入值
.
于是我们有:
将z向量化表示后:
最后化简得到:
这个就是所谓的向前传导(forward propagation),可以理解为刺激由左往右逐层传递,最后输出一个值。
参考资料http://deeplearning.stanford.edu/wiki/index.php/UFLDL_Tutorial
相关文章推荐
- 深度学习基础(二):简单神经网络,后向传播算法及实现
- 人工智能,机器学习,神经网络,深度学习之基础概念
- 机器学习基础知识-神经网络与深度学习学习笔记(二)
- 吴恩达深度学习入门学习笔记之神经网络和深度学习(第二周:神经网络基础)
- 吴恩达深度学习课程笔记之神经网络基础
- 深度学习基础(五):循环神经网络概念、结构及原理实现
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-2)-- 神经网络基础
- [DeeplearningAI笔记]神经网络与深度学习2.1-2.4神经网络基础
- 零基础入门深度学习(3) - 神经网络和反向传播算法
- 深度学习基础1(神经网络)
- 深度学习基础(一)神经网络 分类: 深度学习 2015-01-19 21:29 84人阅读 评论(0) 收藏
- 零基础入门深度学习(3) - 神经网络和反向传播算法
- 深度学习DeepLearning.ai系列课程学习总结:2. 神经网络基础
- [DeeplearningAI笔记]神经网络与深度学习2.11_2.16神经网络基础(向量化)
- 【深度学习 论文综述】深度神经网络全面概述:从基本概念到实际模型和硬件基础
- 深度学习基础知识(1)神经网络理解
- 深度学习基础——神经网络起步
- 一名工程师对于深度学习的理解-神经网络基础ANN
- 深度学习Day2(神经网络的基础编程)
- 一文理解深度学习,卷积神经网络,循环神经网络的脉络和原理1-深度学习基础