神經網路模型入門之模型概述
阿新 • • 發佈：2019-02-13
1.前言
走在機器學習的路上, 學習之初，參考《Tensor Flow 實戰》，其中很多概念無法理解，敘述不懂其意，理解內容更無從談起。需要回頭學習基礎知識。
人工智慧的基礎模型是神經網路，在此基礎上發展出更多複雜的技術，比如機器學習。
2.神經網路結構
2.1 生物神經網路
1. 外部刺激通過神經末梢，轉化為電訊號，轉導到神經細胞（又叫神經元）。
2. 無數神經元構成神經中樞。
3. 神經中樞綜合各種訊號，做出判斷。
4. 人體根據神經中樞的指令，對外部刺激做出反應。
2.2 神經元抽象為數學模型
2.3 單層神經元網路
單層神經網路示意圖：
是最基本的神經元網路形式，由有限個神經元構成。
- 所有神經元的輸入向量都是同一個向量；
- 單層神經元的輸出是一個向量（每個神經元都會產生一個標量結果）；
- 向量的維數等於神經元的數目；
2.4 多層神經網路
–基本結構
多層神經網路示意圖：
一種常見的多層結構的前饋網路（Multilayer Feedforward Network）由三部分組成，
1. 輸入層（Input layer），眾多神經元（Neuron）接受大量非線形輸入訊息。輸入的訊息稱為輸入向量。
2. 輸出層（Output layer），訊息在神經元連結中傳輸、分析、權衡，形成輸出結果。輸出的訊息稱為輸出向量。
3. 隱藏層（Hidden layer），簡稱“隱層”，是輸入層和輸出層之間眾多神經元和連結組成的各個層面。隱層可以有多層，習慣上會用一層。隱層的節點（神經元）數目不定，但數目越多神經網路的非線性越顯著，從而神經網路的強健性（robustness）（控制系統在一定結構、大小等的引數攝動下，維持某些效能的特性。）更顯著。習慣上會選輸入節點1.2至1.5倍的節點。
神經網路的型別已經演變出很多種，這種分層的結構也並不是對所有的神經網路都適用。