人工智能神经网络学习
神经网络学习
1、输出与输入的关系(感知基础):
$$
y=\begin{Bmatrix}
1 { \ overrightarrow { x } \ cdot \ overrightarrow { w } B0 } \
0 { \ override arrow { x } \ cdot \ override arrow { w } b \ leq plant 0 }
\end{Bmatrix}
$$
这个模型来源于生活，$\overrightarrow{x}$是代表各种情况的输入，$\overrightarrow{w}$代表各种情况的影响权重，$ \ overright arrow { x } \ CDOT \ overright arrow { w } $得到整体影响，b$是影响时的阈值(偏移量)。
2.为什么使用(乙状结肠神经元):
$$
y=\ frac { 1 } { 1 e^{-(\overrightarrow{x}\cdot \ override arrow { w } b } }
$$
感知基础是一个不连续的函数，\ Delta \ overrightarrow { w } $的微小变化可能会导致$y$的成交量发生变化。使用sigmoid neuron，使y与w和b有连续关系(微小的$\Delta \overrightarrow{w}$，y也是微小的变化)，输出值在0到1之间，所以选择$ \ frac {1} {1 e {-x}} $
3.误差函数
输出和输入的关系最好如下，看起来很复杂。
误差函数是：
很多时候，使用平均误差函数。为什么我不明白？
梯度法是从导数方向调整W和B，使误差函数(代价函数)的值最小。(统计值最小，所以需要平均误差)，其中权重和偏移量B的导数如下
看起来很复杂，反向传播的方式在计算上没有那么复杂。
导数的反方向是减少误差函数c的最快方向，给定$\eta$，为每次学习调整$ \ eta \ frac { \ alpha } { w _ { 11 _ 21 } }。
最后，C被最小化。
原文写于2019年12月5日，2021年12月8日改为减价。
内容来源网络，如有侵权，联系删除，本文地址：https://www.230890.com/zhan/139165.html