吴恩达深度学习课程笔记 1.2什么是神经网络?
2017-08-30 14:56
836 查看
吴恩达深度学习课程笔记
1.2什么是神经网络?
深度学习是指训练一些规模很大的神经网络。那么什么是神经网络呢?
What is a Neural Network?
我们从一个预测房价的例子来解释神经网络。
假设我们有一个6间房子的数据集,已知房子的面积(平方米)和房子的价格,现在我们要找到一个函数可以根据房子的面积来预测房子的价格。如果你了解线性回归,你就会想:可以用一条直线来拟合这些数据。
如下图所示:
但是,你可能会想到:房价不可能为负,但是直线会让价格为负,所以直线并不是一个好的结果;这个时候我们把直线在横轴的交点处截断,让为负的价格全部等于0。
如下图所示:图中的曲折的蓝线就是我们要的那个函数,可以很好地拟合我们的数据集。
当然,你也可以把这个函数看成一个非常简单的神经网络,可能这是最简单的一个神经网络了;我们将房子的面积作为神经网络的输入(X),然后经过一个节点,输出的结果就是房子的价格(Y)。中间的这个节点就是一个独立的神经元(neuron);这时候你的网络实现了上述函数的功能,这个神经元的作用就是输入X,经过线性运算,取大于0的值作为房子的预测价格;这个神经元所做的工作就是我们在文献中经常看到的ReLU函数(一开始是0,然后是一条递增的直线;全称是Rectified Linear Unit修正线性单元,rectify是指取大于0的值)。
上述网络如下图所示:
上图表示的是一个单神经元网络, 一些规模大一点的网络就是一个个的单神经元网络堆叠起来的,就像堆乐高积木一样。
举一个大一点的网络例子,如下图:
一个房子除了面积还会有一些其他影响价格的因素:房间数量,邮政编码(吴恩达教授说:在美国邮政编码反应了当地的步行化程度,就是从家到商场、医院等地方有多远)和当地的富裕程度。上图中显示:房子面积和房间数量可以体现这栋房子可以住几口人,邮政编码和富裕程度反应了周围学校的质量。每一个圆圈都可能是一个ReLU函数或其他非线性函数。
在这个例子中输入的房子面积、房间数量、邮政编码、富裕程度,经过几个ReLU函数,都可以帮你预测人们愿意花什么价钱去购得这栋房子。X就是输入的四个特征,Y就是房子的价格,经过一些神经元的堆叠构成了一个大点的神经网络,神经网络的一部分神奇之处在于,你实现了它以后,只需输入X,就能得到Y,中间的过程它会帮你完成。
所以,实现了一个神经网络了以后,咱们要做的就是给它输入一些特征,神经网络的工作就是经过计算给我们一个结果。
如下图所示:
X是输入层,中间的三个神经元叫做神经网络的隐藏层,Y是输出层。隐藏层的输入就是X,输入的每个X都连接到每个隐藏层的神经元,层与层之间的连接数在神经网络中是最高的。
只要你给神经网络足够的数据集去训练,它是很擅长于计算出从 X 到 Y 的精准映射函数的。所以说,神经网络在有监督学习中的效果是非常好的,比如上述的预测房价的例子。
不足之处还望各位指正,多谢。
文中图片均来源于网易云课堂吴恩达的深度学习课程视频。
1.2什么是神经网络?
深度学习是指训练一些规模很大的神经网络。那么什么是神经网络呢?
What is a Neural Network?
我们从一个预测房价的例子来解释神经网络。
假设我们有一个6间房子的数据集,已知房子的面积(平方米)和房子的价格,现在我们要找到一个函数可以根据房子的面积来预测房子的价格。如果你了解线性回归,你就会想:可以用一条直线来拟合这些数据。
如下图所示:
但是,你可能会想到:房价不可能为负,但是直线会让价格为负,所以直线并不是一个好的结果;这个时候我们把直线在横轴的交点处截断,让为负的价格全部等于0。
如下图所示:图中的曲折的蓝线就是我们要的那个函数,可以很好地拟合我们的数据集。
当然,你也可以把这个函数看成一个非常简单的神经网络,可能这是最简单的一个神经网络了;我们将房子的面积作为神经网络的输入(X),然后经过一个节点,输出的结果就是房子的价格(Y)。中间的这个节点就是一个独立的神经元(neuron);这时候你的网络实现了上述函数的功能,这个神经元的作用就是输入X,经过线性运算,取大于0的值作为房子的预测价格;这个神经元所做的工作就是我们在文献中经常看到的ReLU函数(一开始是0,然后是一条递增的直线;全称是Rectified Linear Unit修正线性单元,rectify是指取大于0的值)。
上述网络如下图所示:
上图表示的是一个单神经元网络, 一些规模大一点的网络就是一个个的单神经元网络堆叠起来的,就像堆乐高积木一样。
举一个大一点的网络例子,如下图:
一个房子除了面积还会有一些其他影响价格的因素:房间数量,邮政编码(吴恩达教授说:在美国邮政编码反应了当地的步行化程度,就是从家到商场、医院等地方有多远)和当地的富裕程度。上图中显示:房子面积和房间数量可以体现这栋房子可以住几口人,邮政编码和富裕程度反应了周围学校的质量。每一个圆圈都可能是一个ReLU函数或其他非线性函数。
在这个例子中输入的房子面积、房间数量、邮政编码、富裕程度,经过几个ReLU函数,都可以帮你预测人们愿意花什么价钱去购得这栋房子。X就是输入的四个特征,Y就是房子的价格,经过一些神经元的堆叠构成了一个大点的神经网络,神经网络的一部分神奇之处在于,你实现了它以后,只需输入X,就能得到Y,中间的过程它会帮你完成。
所以,实现了一个神经网络了以后,咱们要做的就是给它输入一些特征,神经网络的工作就是经过计算给我们一个结果。
如下图所示:
X是输入层,中间的三个神经元叫做神经网络的隐藏层,Y是输出层。隐藏层的输入就是X,输入的每个X都连接到每个隐藏层的神经元,层与层之间的连接数在神经网络中是最高的。
只要你给神经网络足够的数据集去训练,它是很擅长于计算出从 X 到 Y 的精准映射函数的。所以说,神经网络在有监督学习中的效果是非常好的,比如上述的预测房价的例子。
不足之处还望各位指正,多谢。
文中图片均来源于网易云课堂吴恩达的深度学习课程视频。
相关文章推荐
- 吴恩达深度学习课程笔记 1.3用神经网络进行有监督学习
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-2)-- 神经网络基础(转载)
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-4)-- 深层神经网络
- 吴恩达(Andrew Ng)深度学习工程师笔记 - 第一门课-神经网络和深度学习-第一周深度学习概论-第六节:课程资源
- 吴恩达神经网络和深度学习课程自学笔记(八)之机器学习策略
- 吴恩达神经网络和深度学习课程自学笔记(二)之神经网络基础
- 吴恩达深度学习课程笔记之卷积神经网络基本操作详解
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-3)-- 浅层神经网络(转载)
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(5-1)-- 循环神经网络
- 吴恩达神经网络和深度学习课程自学笔记(三)之浅层神经网络
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-4)-- 深层神经网络(转载)
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-2)-- 神经网络基础
- 吴恩达深度学习课程笔记之神经网络基础
- 吴恩达(Andrew Ng)深度学习工程师笔记 - 第一门课-神经网络和深度学习-第一周深度学习概论-第二节:什么是神经网络
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(1-2)-- 神经网络基础
- 吴恩达神经网络和深度学习课程自学笔记(七)之超参数调试,Batch正则化和程序框架
- 吴恩达神经网络和深度学习课程自学笔记(六)之优化算法
- 吴恩达Coursera深度学习课程 DeepLearning.ai 提炼笔记(4-4)-- 特殊应用:人脸识别和神经风格迁移
- 吴恩达深度学习笔记之改善神经网络(一)
- 神经网络与深度学习_吴恩达 学习笔记(一)