C1-3.2 关于‘神经网络’
【注释】
彩色图像(RGB)由三原色构成,二维图像在任意一个点像素为立体三层结构,分别是红色、绿色、蓝色值,该值的范围在0∽255之间
1、全连接神经网络——整体架构
【注释】:
这张图懂了的话,神经网络就懂了80%。
1、层次结构
分为:
- 输入层
- 隐藏层
- 输出层
ps:要注意的是,中间的隐藏层可以由多层组成。
展示一下过程吧;
输入层输入数据 (输入层数据* W1)> hidden layer1 (hidden layer1层数据 * W2)>hidden layer2 (hidden layer2 层数据 * W3 )>输出层
PS:W1 W2 W3 可以是一个数,也可以是n * m的矩阵
1.1 、层次结构—神经元 (输入层)
就是 输入层(input layer)小红框中那几个小汤圆(A、B、C),代表三个输入的特征的个数
这三个大汤圆:A,B,C 分别代表三个特征值(比如:身高、体重、年龄)
我们可以看到图中每个层次中都有许多圆圆的球似的东西,这个东西就是在神经网络中的神经元,每一种层次中的神经元中的含量不太一样。
在输入层中的每一个神经元里面是你输入原始数据(一般称为X)的不同特征,比如x为一张图片,这张图片的像素是32 * 32 * 3 = 3072,其中的每一个像素都是它的特征,所以有3072个特征对应的输入层神经元个数就是3072个,这些特征以矩阵的形式进行输入的。我们举个例子比如我们的输入矩阵为‘1*3072’(第一维的数字表示一个batch(batch指的是每次训练输入多少个数据)中有多少个输入;第二维数字中的就是每一个输入有多少特征。)
1.2、层次结构—隐藏层
-
**隐藏层的含义来源:**不像输入层(在监督学习的训练集中,我们知道输入的数据X-> ;w -> ;b)、输出层(在监督学习的训练集中,知道输出结果)。隐藏层:在训练集中我们是看不到他的值的。
-
在 “隐藏层” 和 “输出层”中,可以把每一个神经元当做一个激活函数,激活函数可以是Sigmoid ;RueL等等…
-
以 一个神经元结构为例:
- 其中L是最后一步计算损失函数,然后进行梯度下降进行后反馈,不断优化w 和b 的值,得到最小的损失函数值。
-
多层隐藏层的情况:
【注释】:其中a[0]表示输入层输入的值(可以是向量)
- 第一层隐藏层相应参数和结果:a[1] ;w[1]; b[1]
- 第一层神经元各个结果:a[1]1,a[1]2,a[1]3
- 第二层隐藏层相应参数和结果:a[2] w[2] b[2]
用这种可以明确表示出这些值来自那一层。。。
- 第一层隐藏层相应参数和结果:a[1] ;w[1]; b[1]
1.3、层次结构—输出层
输出层 可以是一个神经元/多个神经元
以一个神经元为例:文章来源:https://www.toymoban.com/news/detail-799466.html
- 第一步:接受前一层隐藏层的输出(这里是a[1]),作为输出层的输入
- 第二步:放入输出层的神经元进行计算。
文章来源地址https://www.toymoban.com/news/detail-799466.html
到了这里,关于C1-3.2 关于‘神经网络’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!