神经网络的表达式 机器学习基础(3)
来源:互联网 发布:仿糗事百科源码 编辑:程序博客网 时间:2024/06/05 05:37
1 引言
神经网络可应对复杂的非线性分类。
1.1 非线性假设
当特征量多大时,特征的非线性组合方法种类的数量会非常庞大,可能对造成过拟合与极大的计算复杂度的问题,其数学表示为
例如,图像上的车辆识别
图像:50×50 pixels,等同于
1.2 神经与大脑的关系
神经元与中枢神经,计算与传递,amazing!神经网络可以说是模拟大脑中神经的运行模式。
2 神经网络的表达式
2.1 模型表达 1
2层的神经网络
仅包含输入层和输出层,如下图所示。3层的神经网络
包含一层隐藏层,如下图所示。神经网络的权重方程
参考如上所示的神经网络,有如下单元方程:a(2)1=g(θ(1)10x0+θ(1)11x1+θ(1)12x2+θ(1)13x3)a(2)2=g(θ(1)20x0+θ(1)21x1+θ(1)22x2+θ(1)23x3)hθ(x)=g(θ(2)10a(2)0+θ(2)11a(2)1+θ(2)12a(2)2) θ(j) 为Sj+1×(Sj+1) 矩阵。
其中,Sj+1 为j+1 层单元数,Sj 为j 层单元数,Sj+1 中的+1 表示增加一个”1 ”的a(j)0 单元。
2.2 模型表达 2
模型采用向量化计算效率更高,神经网络的数学表达有利于非线性学习。
前向传播:
形式:
输入层 –(隐藏层)–> 输出层,其中输出的猜想hθ(x) 并不和x 直接相关,进而,第i 层采用i−1 层的特征。传播形式的数学公式:
⎧⎩⎨z(i)=θ(i−1)a(i−1)a(i)=g(z(i)) 3层神经网络传递形式:
⎧⎩⎨z(2)=θ(1)a(1)a(2)=g(z(2))→add a(2)0⎧⎩⎨z(3)=θ(2)a(2)hθ(x)=a(3)=g(z(3))
其中,x=[x0x1x2x3]T z(2)=[z(2)1 z(2)2]=⎡⎣θ(1)10x0+θ(1)11x1+θ(1)12x2+θ(1)13x3θ(1)20x0+θ(1)21x1+θ(1)22x2+θ(1)23x3⎤⎦
3 应用
3.1 案例 1
Example:
1)AND运算
2)OR运算
3)XOR运算
4)XNOR运算:
上述例子等同于逻辑回归模拟0-1逻辑电路。
3.2 案例 2
手写数字分类(Handwritten digit classification):0-9
多类别分类(Multiclass Classification)
其中,
例如:数字分类 0-9
输出
[h(1)θ(x)h(2)θ(x)⋯h(n)θ(x)]n×n 训练集
(x(i),y(i)) y(i)=⎡⎣⎢⎢⎢⎢⎢⎢⎢⎢0⋮1(i)⋮0⎤⎦⎥⎥⎥⎥⎥⎥⎥⎥T→训练hθ(x(i))≈y(i)
1 0
- 神经网络的表达式 机器学习基础(3)
- 神经网络的学习 机器学习基础(4)
- 基于神经网络的机器学习基础
- 神经网络和机器学习基础入门分享
- 机器学习之神经网络基础概念
- 机器学习基础——神经网络
- 神经网络和机器学习基础入门分享
- 神经网络和机器学习基础入门分享
- 神经网络的基础学习
- 人工智能,机器学习,神经网络,深度学习之基础概念
- 机器学习基础(一)——人工神经网络与简单的感知器
- 机器学习--BP神经网络的C++实现
- 机器学习笔记--实现简单的神经网络
- 机器学习之实现简单的神经网络
- 【机器学习】神经网络DNN的正则化
- FPGA 机器学习之BP神经网络3
- 机器学习(3)-神经网络_Neural Networks
- 神经网络 专家系统 机器学习
- 外部内部排序,稳定性
- ubuntu 14.04 boot into text mode
- C++数据域封装
- [UVA227]Puzzle
- 程序员的年龄天花板
- 神经网络的表达式 机器学习基础(3)
- 如何解决VS2013中在汉字下面会出现红线的问题
- InnoDB的多版本一致性读的实现
- java 汉字转拼音
- Innodb事务隔离级别
- Browserify —— 利用Node.js实现JS模块化加载
- GDB调试程序
- MLlib算法简介
- markdown学习1:推荐的MarkDown在线编辑器 StackEdit