深度学习之神经网络的结构

作者: ML李嘉图


目录

  • [神经网络的结构]
  • [梯度下降法]
  • [深度学习]


神经网络的结构

当你看到这三个"3"的时候,其实它们还是有着不小的区别,但是们的大脑可以分辨出来。

现在们提出一个小问题:一个N*N像素的方格,们来编写程序判断里面的数字到底是什么?

要解决这个问题,们首先来学习一下什么是神经网络。

神经网络: 它是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。

首先通过名字来理解;神经(元)网络,神经(元)可以理解为一个装有数字的容器,放着许多的0到1之间的数字。

看一个例子:这个28*28=784的像素点存放着许多神经元,每一个神经元存着各自的灰度值(0表示全黑,1表示全白),们把神经元里面的数字叫做激活值,这784个神经元就构成了网络的第一层。

中间会有一些隐含层,里面进行着数据处理的具体工作,最后一层得激活值对应着是这个数字的可能性。上一层的激活值影响着下一层的激活值。所以神经网络的核心就是:一层得激活值是怎么通过运算得出下一层的激活值。

现在告诉你们了,们是这样做的,现在们来讨论一下们为什么可以通过这种层状的结构来做到智能判断。

例如在这个数字的例子中:们可以看到0-9这些数字就是由一些"0"或者"1"等几个简单的组件构成的,同理这些小的组件又可以由更小的组件构成,这就是们的每一层。更一步的扩展,们可以将这个思想拓宽到图像识别,语音识别等更有意思的领域。世界上的各种人工智能的任务,都可以转化为抽象的元素,一层一层的抽丝剥茧。

知道了每一层的含义后,们就可以通过给每一种小组件赋予不同的权重以及偏置来计算,来推断。

在神经元中,output = sum (weights * inputs) + bias。偏置实际上是对神经元激活状态的控制

然后对于这个计算过程,们可以简化为一个矩阵计算,所以们可以看到机器学习和线性代数是不分家的。

最后简化成代码就非常的优雅了。

下一章节就更新们到底是怎样获取合适的权重和偏置。

梯度下降法

深度学习

更新中~~


原文创作:ML李嘉图

原文链接:https://www.cnblogs.com/zwtblog/p/15449616.html

文章列表

更多推荐

更多
  • AWS自动化机器学习-十一、MLSDLC 的持续集成、部署和训练 技术要求,编纂持续集成阶段,管理持续部署阶段,管理持续训练,延伸,构建集成工件,构建测试工件,构建生产工件,自动化持续集成流程,回顾构建阶段,回顾测试阶段,审查部署和维护阶段,回顾应用用户体验,创建新的鲍鱼调查数据,回顾持续训练流程,清
    Apache CN

  • AWS自动化机器学习-六、使用 AWS 步骤函数自动化机器学习过程 技术要求,介绍 AWS 步骤功能,使用 Step 函数 Data Science SDK for CI/CD,建立 CI/CD 渠道资源,创建状态机,解决状态机的复杂性,更新开发环境,创建管道工件库,构建管道应用构件,部署 CI/CD
    Apache CN

  • AWS自动化机器学习-第三部分:优化以源代码为中心的自动化机器学习方法 本节将向您介绍整体 CI/CD 流程的局限性,以及如何将 ML 从业者的角色进一步整合到管道构建流程中。本节还将介绍这种角色集成如何简化自动化过程,并通过向您介绍 AWS Step 函数向您展示一种优化的方法。本节包括以下章节:
    Apache CN

  • AWS自动化机器学习-一、AWS 上的自动化机器学习入门 技术要求,洗钱流程概述,洗钱过程的复杂性,端到端 ML 流程示例,AWS 如何使 ML 开发和部署过程更容易自动化,介绍 ACME 渔业物流,ML 的情况,从数据中获得洞察力,建立正确的模型,训练模型,评估训练好的模型,探索可能的后续步
    Apache CN

  • AWS自动化机器学习-二、使用 SageMaker 自动驾驶器自动化机器学习模型开发 技术要求,介绍 AWS AI 和 ML 前景,SageMaker 自动驾驶器概述,利用 SageMaker 自动驾驶器克服自动化挑战,使用 SageMaker SDK 自动化 ML 实验,SageMaker Studio 入门,准备实验
    Apache CN

  • AWS自动化机器学习-四、机器学习的持续集成和持续交(CI/CD) 四、机器学习的持续集成和持续交CI/CD技术要求,介绍 CI/CD 方法,通过 CI/CD 实现 ML 自动化,在 AWS 上创建 CI/CD 管道,介绍 CI/CD 的 CI 部分,介绍 CI/CD 的 CD 部分,结束循环,采取以部
    Apache CN

  • AWS自动化机器学习-九、使用 Amazon Managed Workflows 为 Apache AirFlow 构建 ML 工作流 技术要求,开发以数据为中心的工作流程,创建合成鲍鱼调查数据,执行以数据为中心的工作流程,构建和单元测试数据 ETL 工件,构建气流 DAG,清理, 在前面的年龄计算器示例中,我们了解了如何通过 ML 从业者和开发人员团队之间的跨职能
    Apache CN

  • AWS自动化机器学习-七、使用 AWS 步骤函数构建 ML 工作流 技术要求,构建状态机工作流,执行集成测试,监控管道进度,设置服务权限,创建 ML 工作流程, 在本章中,我们将从第六章中的 [处继续,使用 AWS 步骤函数自动化机器学习过程。您将从那一章中回忆起,我们正在努力实现的主要目标是简化
    Apache CN

  • AWS自动化机器学习-八、使用 Apache Airflow 实现机器学习过程的自动化 技术要求,介绍阿帕奇气流,介绍亚马逊 MWAA,利用气流处理鲍鱼数据集,配置 MWAA 系统的先决条件,配置 MWAA 环境, 当建立一个 ML 模型时,有一个所有 ML 从业者都知道的基本原则;也就是说,最大似然模型只有在数据被训练时
    Apache CN

  • AWS自动化机器学习-五、自动化 ML 模型的持续部署 技术要求,部署 CI/CD 管道,构建 ML 模型工件,执行自动化 ML 模型部署,整理管道结构,创建 CDK 应用,部署管道应用,查看建模文件,审查申请文件,查看模型服务文件,查看容器构建文件,提交 ML 工件,清理, 在 [第 4
    Apache CN

  • 近期文章

    更多
    文章目录

      推荐作者

      更多