Datawhale組隊學習_Task04:詳讀西瓜書+南瓜書第5章
阿新 • • 發佈:2021-10-25
西瓜書and南瓜書 第5章 神經網路 內容學習筆記
第5章 神經網路
5.1 神經元模型
- 基本定義:神經網路是由具有適應性的簡單單元組成的廣泛並行互聯的網路,它的組織能夠模擬生物神經系統對真實世界物體所做出的互動反應。
- M-P神經元模型:
在此模型中,神經元接收到來自其他n個神經元傳遞過來的帶有權重的訊號,並將總輸入值與神經元的閾值進行比較,處理後以產生神經元的輸出。
通常使用擠壓函式來作為啟用函式,即如下圖:
5.2 感知機與多層網路
- 感知機:兩層神經元(輸入層+輸出層)組成,期中輸入層接受外界輸入訊號後傳遞給輸出層,輸出層是M-P神經元,亦稱“閾值邏輯單元”。
- 感知機的邏輯運算:
假設對於階躍函式y=\({f(\sum_{i}w_ix_i-\Theta)}\)
- “與”(\({x_1\bigwedge x_2}\)):令\({w_1=w_2=1,\Theta=2}\),則y=\({f(1·x_1+1·x_2-2)}\),僅在\({x_1=x_2=1}\)時,y=1;
- “或”(\({x_1\bigvee x_2}\)):令\({w_1=w_2=1,\Theta=0.5}\),則y=\({f(1·x_1+1·x_2-0.5)}\),僅在\({x_1=1或x_2=1}\)時,y=1;
- “非”(\({\neg x_1}\)):令\({w_1=-0.6,w_2=0,\Theta=-0.5}\),則y=\({f(-0.6·x_1+0·x_2+0.5)}\),當\({x_1=1}\)
- 對於一般常見神經網路的缺陷:
由於感知機只有輸出層神經元進行啟用函式處理,即只擁有一層功能神經元,其學習能力較為有限。若學習兩類模式時線性可分的,則一定存在一個線性超平面將二者分開;否則若感知機在學習過程中發生振盪,無法求合適解。
$emsp;處理非線性可分問題時,通常考慮使用多層功能神經元。
多層前饋神經網路:
嗎不存在同層連結以及跨層連結