您的位置: 首页 > 文章 > 感知机

感知机

分类: 文章 • 2024-10-06 09:01:46

感知机

权重( $w_{1}$ , $w_{2}$ …)表示相应输入对于输出重要性的参数
神经元的输出为0或1

o u t p u t = {\begin{cases} 0 & \sum_{j} w_{j} x_{j} \leq t h r e s h o l d \\ 1 & \sum_{j} w_{j} x_{j} > t h r e s h o l d \end{cases}

$w * x = \sum_{j} w_{j} x_{j}$
$b = - t h r e s h o l d$

o u t p u t = {\begin{cases} 0 & w * x + b \leq 0 \\ 1 & w * x + b > 0 \end{cases}

S型神经元

Input,output(sigmod)可以为浮点数
$σ = \frac{1}{1 + e^{- z}}$
$o u t p u t = \frac{1}{1 + e x p (- \sum_{j} w_{j} x_{j} - b)}$

神经网络架构

input layer, output layer, hidden layer
多层网络=> 多层感知器或者MLP
前馈神经网络（上一层输出作为下一层输入，没有环路）
递归神经网络（具有反馈回路）：具有休眠前会在一段有限的时间内保持**状态的神经元，这种神经元可以刺激其他神经元，使其随后被**并同样保持一段有限的时间。这样会导致更多的神经元被**，随着时间的推移，得到一个级联的神经元**系统。因为一个神经元的输出只在一段时间后而不是即刻影响它的输入，回路并不会引起问题。