神经网络组成
大脑是一个巨大的神经元网络，所以神经网络是一个节点网络。根据节点的连接方式，可以创建多种神经网络。最常用的神经网络类型之一采用了如图所示的节点分层结构
- 正方形节点组称为
输入层。输入层的节点仅仅作为将输入信号传输到下一个节点的通道。因此，他们不计算加权和和激活函数。这就是它们用正方形表示并与其他圆形节点不同的原因。 - 相比之下，最右边的节点组被称为
输出层。从这些节点得到的输出成为神经网络的最终结果。 - 位于输入层和输出层之间的图层被称为
隐藏层。它们被赋予这个名字是因为它们不能从神经网络的外部访问
神经网络根据结构分类
- 神经网络已经从一个简单的结构发展到一个越来越复杂的结构。最初，神经网络的先驱们有一个非常简单的体系结构，只有输入层和输出层，这被称为
单层神经网络。 - 当隐藏层添加到单层神经网络时，就产生
多层神经网络。因此，多层神经网络由输入层、隐层和输出层组成。 - 具有单一隐藏层的神经网络被称为
浅层神经网络或普通神经网络。 - 一个包含两个或两个以上隐藏层的
多层神经网络被称为深度神经网络。
当代在实际应用中使用的神经网络大多是深度神经网络。下表总结了神经网络根据层结构不同的分支
神经网络的信号传递
在分层神经网络中，信号进入输入层，通过隐藏层，然后通过输出层离开。在这个过程中，信号一层地推进。换句话说，一层上的节点同时接收信号，并同时将处理后的信号发送到下一层。让我们遵循一个简单的示例，看看输入数据在通过图层时是如何处理的
考虑具有单个隐藏层的神经网络
假设每个节点的激活函数为一个线性函数，如图所示。这个函数允许节点本身发送加权和文章来源：https://www.toymoban.com/news/detail-730248.html
现在，我们将计算来自隐藏层的输出
对于上面第一个结点：
对于下面那个：
那么这个计算过程就可以用矩阵表示：
那么就是一个表达式:
那么对于右边的输出层的结点，计算过程是一样的：
那么总的一个输出，是可以结合成一个矩阵，也就是一个含一个隐藏层的神经网络 可以看成一个简单神经网络
文章来源地址https://www.toymoban.com/news/detail-730248.html
到了这里，关于机器学习之神经网络的层次的文章就介绍完了。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！
