【深度学习】1 感知机(人工神经元)

这篇具有很好参考价值的文章主要介绍了【深度学习】1 感知机(人工神经元)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

认识感知机
感知机接收多个输入信号,输出一个信号
感知机的信号只有“流/不流”(1/0)两种取值
0对应“不传递信号”,1对应“传递信号”。
输入信号被送往神经元时,会被分别乘以固定的权重。神经元会计算传送过来的信号的综合,只有当这个综合超过了某个界限值时,才会输出1。这也叫“神经元被激活”。界限值也叫阈值

在感知机中,“输入”也作为神经元节点,标为“输入单元”。感知机仅有两层:分别是输入层和输出层。输入层里的“输入单元”只负责传输数据,不做计算。输出层里的“输出单元”则需要对前面一层的输入进行计算。

感知机模型
【深度学习】1 感知机(人工神经元)

简单逻辑电路
与门(AND gate) :仅在两个输人均为1时输出1,其他时候则输出0。
与非门(NAND gate): 仅当书和同时为1时输出0其他时候则输出1。
或门:只要有一个输入信号是1,输出就为1

AND函数实现

def AND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.7
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

b是偏置,w称为权重
偏置的值决定了神经元被激活的容易程度。
权重控制输入信号的重要性

与非门的实现

def NAND(x1, x2):
    x = np.array([x1, x2])
    w = np.array([-0.5, -0.5])
    b = 0.7
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

或门的实现

def OR(x1, x2):
    x = np.array([x1, x2])
    w = np.array([0.5, 0.5])
    b = -0.2
    tmp = np.sum(w*x) + b
    if tmp <= 0:
        return 0
    else:
        return 1

异或门XOR
异或门也被称为逻辑异或电路,仅当x1或x2中的一方为1时,才会输出1
用前面介绍的感知机是无法实现这个异或门的,因为异或门是非线性的而感知机只能表示由一条直线分割的空间
由曲线分制而成的空间非线性空间,由直线分割而成的空间称为线性空间
【深度学习】1 感知机(人工神经元)

但是可以通过叠加层实现
实现如下:

def XOR(x1,x2):
	s1= NAND(x1, x2)
	s2= OR(x1, x2)
	y= AND(x1, x2)
	return y

异或门是一种多层结构的神经网络
将最左边的列称为第0层,中间的一列称为第1层,最右边的一列称为第2层。
叠加了多层的感知机也称为多层感知机

感知机通过叠加层能够进行非线性的标识,理论上还可以标识计算机进行的处理文章来源地址https://www.toymoban.com/news/detail-492360.html

到了这里,关于【深度学习】1 感知机(人工神经元)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 自适应PID算法学习(01)——单神经元PID控制

      单神经元含有n个输入,仅1个输出,每个输入端可记作 x i ( i = 1 , 2 , . . . n ) x_i (i=1,2,...n) x i ​ ( i = 1 , 2 , ... n ) ,若该神经元为多元组成网络中某一层(输入层/输出层/隐含层)其中的一个单元,记该神经元输出为 o j ( j = 1 , 2 , . . . ) o_j(j=1,2,...) o j ​ ( j = 1 , 2 , ... ) ;不

    2024年02月16日
    浏览(45)
  • TensorFlow入门(十七、神经元的拟合原理)

    深度学习的概念源于人工神经网络的研究,神经网络是由多个神经元组成,。一个神经元由以下几个关键知识点组成:                                 ①激活函数                ②损失函数                ③梯度下降 单个神经元的网络模型如图所示 用计算公式

    2024年02月07日
    浏览(37)
  • nn.Dropout随机丢神经元的用法

    前言: pytorch与tensorflow中均有nn.dropout,两者之间的使用方法,下面将介绍。 说明文档: 大致的翻译: 在训练期间, 随机地将输入的一些元素归零 ,以概率为`p`,使用伯努利分布的样本。每个通道将在每次前向调用时被独立清零。 这已被证明是一种有效的正则化技术,可以

    2024年01月18日
    浏览(30)
  • ps2021神经ai滤镜无法使用,ps2021没法用神经元滤镜

    网上买正版,更新下就好了,盗版的都会有各种这样的问题。ps2021神经AI滤镜是需简要上传云端,由Adobe官方服务器人工智能运算的。 Ps2021版本新增了Ai神经元滤镜,它不是与软件一起安装的,只能在线调用,破解版的ps刚发布不久是可以使用的,后来就不能使用了,目前为止

    2024年02月10日
    浏览(35)
  • 人体大脑神经元运行模拟器!让你直观体验大脑的运行方式

    最近沾花在网上看到一个 神奇 的网站:A Neural Network Playground 经过沾花的亲手测试,发现这玩意儿能模拟人体大脑神经元的运行! 下面是网址: A Neural Network Playground OK,下面来教大家怎么用: 使用时,选择数据集中的一种数据,相应地调整神经元的类型和网络形态(至于怎

    2024年02月14日
    浏览(43)
  • 鲸鱼算法优化LSTM超参数-神经元个数-dropout-batch_size

    1、摘要 本文主要讲解:使用鲸鱼算法优化LSTM超参数-神经元个数-dropout-batch_size 主要思路: 鲸鱼算法 Parameters : 迭代次数、鲸鱼的维度、鲸鱼的数量, 参数的上限,参数的下限 LSTM Parameters 神经网络第一层神经元个数、神经网络第二层神经元个数、dropout比率、batch_size 开始

    2023年04月16日
    浏览(48)
  • 深度学习基础知识-感知机+神经网络的学习

    参考书籍:(找不到资源可以后台私信我) 《深度学习入门:基于Python的理论与实现 (斋藤康毅)》 《Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd Edition (Aurelien Geron [Géron, Aurélien])》 机器学习和深度学习的区别: Perceptron(感知机) 感知机就是一种接收多种输入信

    2023年04月26日
    浏览(61)
  • 【深度学习 | 感知器 & MLP(BP神经网络)】掌握感知的艺术: 感知器和MLP-BP如何革新神经网络

    🤵‍♂️ 个人主页: @AI_magician 📡主页地址: 作者简介:CSDN内容合伙人,全栈领域优质创作者。 👨‍💻景愿:旨在于能和更多的热爱计算机的伙伴一起成长!!🐱‍🏍 🙋‍♂️声明:本人目前大学就读于大二,研究兴趣方向人工智能硬件(虽然硬件还没开始玩,但一直

    2024年02月12日
    浏览(40)
  • 【深度学习_TensorFlow】感知机、全连接层、神经网络

    感知机、全连接层、神经网络是什么意思? 感知机: 是最简单的神经网络结构,可以对线性可分的数据进行分类。 全连接层: 是神经网络中的一种层结构,每个神经元与上一层的所有神经元相连接,实现全连接。 神经网络: 是由大量神经元组成的网络结构,通过层与层之间

    2024年02月14日
    浏览(41)
  • TensorFlow人工智能开源深度学习框架简单认识

    TensorFlow是一个使用数据流图进行数值计算的开源深度学习框架。它由Google Brain团队开发,并于2015年开源发布。TensorFlow的核心概念是使用图表示计算任务,其中节点表示操作,边表示数据流动。 TensorFlow被广泛用于机器学习和深度学习任务。它的特点包括: 强大的计算能力:

    2024年01月21日
    浏览(54)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包