ML学习笔记第四周(二):神经网络
1 模型表达I
1.1 大脑中的神经元
神经元是一个计算单元,它从输入神经(Dendrite/树突)接受一定数目的信息,并做一些计算,然后将结果通过它的轴突(Axon)传送到其他节点或者大脑中的其他神经元
如果神经元想要传递一个消息,它就会就通过它的轴突发送一段微弱电流给其他神经元。接下来这个神经元接收这条消息,做一些计算,它有可能会反过来将自己的消息传给其他神经元,这就是所有人类思考的模型: 我们的神经元把自己的收到的消息进行计算,并向其他神经元传递消息。顺便说一下,这也是 我们的感觉和肌肉运转的原理。
1.2 神经模型:逻辑单元
人工神经网络中,我们将神经元模拟成一个逻辑单元,称为输入节点(其中称为偏置单元,是否画出会取决于其对例子是否有利),是特征向量,是参数向量(在神经网络中被称为权重),以下所示神经元就是一个作为激励函数的人工神经元(黄色小圈圈),.
神经网络其实就是,这些不同的神经元组合在一起的集合。第一层Layer1称为输入层(Input layer),输入我们的特征项;最后一层Layer3称为输出层(Output layer),输出我们假设的最终计算结果;中间层Layer2称为隐藏层(Hidden layer)。
1.3 逻辑单元详解
术语 | 具体含义 |
---|---|
第层的第个神经元/激励 | |
激励(activation) | 由一个具体神经元读入、计算并输出的值 |
控制着从第层到第层的作用的一个权重矩阵 |
如果第层有个单元,第层有个的单元,那么的维数将会是
2 模型表达II
2.1 前向传播:向量化
Forward propogation: Vectorized implementation
简单来说,这一层的每一个**单元,都需要由上一层的每一个**单元乘以一个系数再求和,包裹一个**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)。
2.2 神经网络的原理
只看后两层,非常类似于之前的线性回归,是特征,是参数(因为是矩阵所以用)。而复杂特征,则是由简单特征与参数得到。
如果在中选择不同的参数,有时可以学习到一些很有趣和复杂的特征,就可以得到一个更好的假设(比使用原始输入时得到的假设更好),或者我们也可以选择多项式项等作为输入项,但这个算法可以灵活地快速学习任意的特征项 把这些输入这个 最后的单元