神经网络与深度学习(三)- Shallow Neural Network
来源:互联网 发布:西安发展 知乎 编辑:程序博客网 时间:2024/06/06 03:48
第三篇主要讲述浅层神经网络的实现,其本质上是在第二篇逻辑回归的基础上,增加了一层隐藏层,这是为了推广到多层神经网络做铺垫
Neural Networks Representation
神经网路的构成这里不多赘述,在机器学习笔记中有相应的章节已经介绍过了,这里强调一点,也是让人更好理解,对于神经元,我们按下图拆分,其实一个神经元包含了两步操作,第一步是输入元的线性组合,第二步才是进行非线性处理。
对于本篇的浅层神经网络如下图左上所示。下图右为前向传播公式。对于参数上标进行说明,[]代表层数,[0]层是输入层,[1]层是隐藏层,[2]层是输出层。()代表的是样本标号。
下图为后向传播公式。
Activation functions
激活函数大家听的最多,一开始用的很多的应该是sigmoid函数,但其实神经网络的激活函数有很多,下面就是4种相对来说比较常用的激活函数,tanh,ReLU, Leaky ReLU.
那么它们的优点和缺点以及应用场景又是什么呢。
- sigmoid
- 优点在于其值域为0~1,这非常切合概率模型的输出,即对于0,1分类,输出值在0~1,即可直接表示为其属于该类的概率,因此非常适合用于输出层。
- 缺点在于左右两段过早进入饱和,会导致梯度消失,梯度弥散,致使训练速度缓慢。
- tanh
- 优点在于值域-1~1,输出具有0的均值,更好的center我们的数据,就好比我们在训练之前都会对原数据进行均值归一化。
- 缺点同sigmoid函数一样,具有训练缓慢的缺陷。
- ReLU
- 优点在于,在大于0的时候,梯度恒定,不会出现梯度弥散的现象,训练速度快。
- 缺点在于,在小于0的时候,值全为0,无法训练。
- Leaky ReLU
- 优点同ReLU,并且克服了小于0无法训练的问题。
总的来说,sigmoid在实际中,一般用于输出层,而其他三个函数一般都用于隐藏层,至于哪一种比较好,这个无法下准确的定论,得根据实际做出变化,一般在不知道用什么好的情况下,我们会优先选择ReLU。至于为什么明明Leaky ReLU更优于ReLU还要优先ReLU呢,是因为在实际操作中,大于0的神经元足够训练出结果了,ReLU的缺点并不明显。
Derivatives of activation functions
g(z)=11+e−z dg(z)dz=g(z)×(1−g(z))
g(z)=tanh(z) dg(z)dz=1−g(z)2
g(z)=max(0,z) dg(z)dz={0,1,if z < 0if z≥0
g(z)=max(0.01z,z) dg(z)dz={0.01,1,if z < 0if z≥0
Practice
建立神经网络一般的方法论
1. 定义神经网络的结构(如输入层神经元个数,隐藏层神经元个数等)
2. 随机初始化模型参数(为什么需要随机初始化,参照机器学习中相应篇章)
3. 开始训练循环
- 1. 进行前向传播
- 2. 计算损失函数
- 3. 进行后向传播得到梯度
- 4. 更新参数
最后得到训练参数,再建立预测函数进行数据分类。
def nn_model(X, Y, n_h, num_iterations = 10000, print_cost=False): np.random.seed(3) n_x = layer_sizes(X, Y)[0] n_y = layer_sizes(X, Y)[2] # Initialize parameters parameters = initialize_parameters(n_x, n_h, n_y) W1 = parameters['W1'] b1 = parameters['b1'] W2 = parameters['W2'] b2 = parameters['b2'] # Loop (gradient descent) for i in range(0, num_iterations): ### START CODE HERE ### (≈ 4 lines of code) # Forward propagation A2, cache = forward_propagation(X, parameters) # Cost function cost = compute_cost(A2, Y, parameters) # Backpropagation grads = backward_propagation(parameters, cache, X, Y) # Gradient descent parameter update. parameters = update_parameters(parameters, grads) # Print the cost every 1000 iterations if print_cost and i % 1000 == 0: print ("Cost after iteration %i: %f" %(i, cost)) return parameters
- 神经网络与深度学习(三)- Shallow Neural Network
- 神经网络与深度学习(四)- Deep Neural Network
- 神经网络与深度学习第四周-Deep Neural Network
- 机器学习与深度学习(四) 神经网络 (Neural Network) NN
- 【深度学习】卷积神经网络(Convolutional Neural Network)
- 【深度学习】卷积神经网络(Convolutional Neural Network)
- 深度学习笔记(1)——神经网络(neural network)
- 深度学习:前馈神经网络neural network
- 神经网络与深度学习(一)- Logistic Regression as a Neural Network
- Coursera deeplearning.ai 深度学习笔记1-3-Shallow Neural Networks-浅层神经网络原理推导与代码实现
- 深度学习框架Keras学习系列(二):神经网络与BP算法(Neural Network and BP Algorithm)
- 神经网络与深度学习第二周-2-Logistic Regression with a Neural Network mindset
- 神经网络与深度学习第四周-Building your Deep Neural Network
- 深度学习笔记(2)——卷积神经网络(Convolutional Neural Network)
- 深度学习FPGA实现基础知识10(Deep Learning(深度学习)卷积神经网络(Convolutional Neural Network,CNN))
- 神经网络与深度学习(三)
- 深度神经网络(Deep Neural Network, DNN)
- 吴恩达 神经网络和深度学习 第一部分课程 第三章课后习题 Shallow Neural Networks Quiz, 10 questions
- DispatcherServlet 特殊的bean
- 集合框架知识点(全)
- 监控网站更新脚本
- -Dmaven.multiModuleProjectDirectory system property is not set. Check $M2_HOME environment variable
- Unity接入优图、Face++、阿里云图像识别和人脸识别
- 神经网络与深度学习(三)- Shallow Neural Network
- PAT(Advanced Level) A+B Format
- Delphi 7启动后提示Unable to rename '...\Delphi7\Bin\delphi32.$$$' to '...\Delphi7\Bin\delphi32.dro'的解决办法
- OpenStack 设计与实现系统学习资料
- ffmpeg视频格式转换
- 最近的笔记整理
- HTTP中Cookie,Session的理解
- Oracle之定时任务1
- python快速找到多个字典中的公共键