师兄博客原文地址 "https://blog.csdn.net/LogHouse/article/details/93222454" ，这篇感觉他还没写完。有时间我补一下 @ "TOC" 对应周志华西瓜书第五章。 一些问题 1、试述常见的激活函数，试述将线性函数用作神经元激活函数的缺陷。 : ①阶跃 ...
分类：
其他好文 时间：
2021-06-11 17:33:23
阅读次数：
0
卷积神经网络有三个结构上的特性：局部连接，权重共享以及空间或时间上的次采样。这些特性使得卷积神经网络具有一定程度上的平移、缩放和扭曲不变性. CNN由可学习权重和偏置的神经元组成。每个神经元接收多个输入，对它们进行加权求和，将其传递给一个激活函数并用一个输出作为响应。 循环神经网络可以记住先前时间步 ...
分类：
其他好文 时间：
2021-03-10 13:40:54
阅读次数：
0
由 Hinton 提出的标准自动编码机（标准自编码器）只有一个隐藏层，隐藏层中神经元的数量少于输入（和输出）层中神经元的数量，这会压缩网络中的信息，因此可以将隐藏层看作是一个压缩层，限定保留的信息。 自动编码机的学习包括在隐藏层上对输入信号进行压缩表示，然后在输出层尽可能地复现原始输入： 图 1 单 ...
分类：
其他好文 时间：
2021-02-17 14:17:10
阅读次数：
0
1、激活函数的概念 神经网络中的每个神经元节点接受上一层神经元的输出值作为本神经元的输入值，并将输入值传递给下一层，输入层神经元节点会将输入属性值直接传递给下一层（隐层或输出层）。在多层神经网络中，上层节点的输出和下层节点的输入之间具有一个函数关系，这个函数称为激活函数Activation Func ...
分类：
其他好文 时间：
2021-01-16 11:47:27
阅读次数：
0
Sequential 相当于一个容器，里面封装了一个神经网络结构 model=tf.keras.model.Sequential([网络结构]) 常用网络结构 拉直层：tf.keras.layers.Flatten() 将输入变为一维数组 全连接层：tf.keras.layers.Dense(神经元 ...
分类：
其他好文 时间：
2020-12-30 10:51:49
阅读次数：
0
基本的神经网络的知识（一般化模型、前向计算、反向传播及其本质、激活函数等）小夕已经介绍完毕，本文先讲一下深度前馈网络的BP过程，再基于此来重点讲解在前馈网络中用来初始化model参数的Xavier方法的原理。前向过程很简单，每一层与下一层的连接边(即参数)构成了一个矩阵(即线性映射)，每一层的神经元构成一个激活函数阵列（即非线性映射），信号便从输入层开始反复的重复这两个过程直到输出层，也就是已经在
分类：
其他好文 时间：
2020-12-29 11:49:23
阅读次数：
0
上篇讲解了神经网络最容易被忽视的基础知识一干货|神经网络最容易被忽视的基础知识一1为什么在人工神经网络中的神经元需要激活函数？上图可看做普通的线性分类器，也就是线性回归方程。这个比较基础，效果如右图。当然有时候我们发现这样的线性分类器不符合我们要求时，我们很自然的想到那我们就加多一层，这样可以拟合更加复杂的函数，如下图a：但同时当我们动笔算下,就会发现,这样一个神经网络组合起来,输出的时候无论如何
分类：
其他好文 时间：
2020-11-30 15:16:02
阅读次数：
12
作者|Angel Das 编译|VK 来源|Towards Datas Science 介绍 人工神经网络(ANNs)是机器学习技术的高级版本，是深度学习的核心。人工神经网络涉及以下概念。输入输出层、隐藏层、隐藏层下的神经元、正向传播和反向传播。 简单地说，输入层是一组自变量，输出层代表最终的输出( ...
分类：
其他好文 时间：
2020-11-02 09:44:36
阅读次数：
20
BP公式推倒 bp算法通过loss计算得到的误差，从最后的输出层，通过loss不断的向后，对能影响到loss变化的传播路径中各个隐藏层的神经元的输入和输出函数求偏导，更新目标权重的一个过程。 具体的计算方式如下。 先来构建一个网络图，然后我们定义一些数学符号 其中 \(w_{ij}^{l}\) 表示 ...
分类：
编程语言 时间：
2020-09-12 21:24:54
阅读次数：
41
1.简介 GoogLeNet是2014年ILSVRC挑战赛排名第一的算法。与其他进一步加深神经网络的宽度和深度的网络结构不同，GoogLeNet团队提出了一种Inception网络结构，就是构造一种“基础神经元”结构，来搭建一个稀疏性、高计算性能的网络结构。 优点：克服了深层次神经网络的带来的过拟合 ...
分类：
Web程序 时间：
2020-09-09 19:24:13
阅读次数：
83
