深度学习-浅层神经网络
目录
概念
正向传播
反向传播
概念
单隐藏层神经网络就是典型的浅层(shallow)神经网络,即只包含一层隐含层。
从左到右,可以分成三层:输入层(Input layer),隐藏层(Hidden layer)和输出层(Output layer)。输入层和输出层,对应着训练样本的输入和输出。隐藏层是抽象的非线性的中间层,这也是其被命名为隐藏层的原因。
正向传播
通过输入层输入的值计算出隐含层和输出层的输出的过程,其中隐含层通过激活函数计算输出。
常用的激活函数有以下几个:
(1)sigmoid函数:二分类问题,一般选择sigmoid函数
(2)tanh函数:相对于sigmoid函数来说表现要好一点,取值在【-1,1】之间,隐含层的输出就被限制在这个范围,起到了对数据归一化的操作。
(3)LeLu函数:ReLU激活函数在z大于零时梯度始终为1;在z小于零时梯度始终为0;z等于零时的梯度可以当成1也可以当成0,实际应用中并不影响。对于隐藏层,选择ReLU作为激活函数能够保证z大于零时梯度始终为1,从而提高神经网络梯度下降算法运算速度。
(4)Leaky ReLU函数
反向传播
反向传播主要是通过梯度下降法来改变权值和阈值的过程,梯度就是求导的意思
注意:神经网络模型中的参数权重W是不能全部初始化为零的,b可初始化为0
深度学习-浅层神经网络相关推荐
- 吴恩达神经网络与深度学习——浅层神经网络
吴恩达神经网络与深度学习--浅层神经网络 神经网络概述 神经网络表示 计算神经网络的输出 m个样本的向量化 for loop 向量化 向量化实现的解释 激活函数 sigmoid tanh函数 ReLu ...
- (1-2)神经网络与深度学习 | 浅层和深层神经网络
目录 浅层神经网络 神经网络的表示 计算神经网络的输出 单个样本前向传播 多个样本前向传播 激活函数 sigmoid函数与tanh函数 Relu函数和Leaky Relu函数 使用非线性激活函数原因 ...
- 吴恩达《神经网络与深度学习》精炼笔记(4)-- 浅层神经网络
上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高了程序运算速度.本节课我们将从浅层神经网络入手,开始真 ...
- 温州大学《深度学习》课程课件(四、浅层神经网络)
这学期我上的另一门课是本科生的<深度学习>,主要用的是吴恩达老师的<深度学习>视频课的内容. 本章内容见"授课计划"的标红部分 使用教材:吴恩达<深度 ...
- 温州大学《深度学习》课程课件(三、浅层神经网络)
这学期我上的另一门课是本科生的<深度学习>,主要用的是吴恩达老师的<深度学习>视频课的内容. 使用教材:吴恩达<深度学习>课程笔记 课外参考书:<深度学习&g ...
- 1.3)深度学习笔记------浅层神经网络
目录 1)Neural Network Overview 2)Neural Network Representation 3)Computing a Neural Network's Output(重 ...
- 01.神经网络和深度学习 W3.浅层神经网络
文章目录 1. 神经网络概览 2. 神经网络的表示 3. 神经网络的输出 4. 多样本向量化 5. 激活函数 6. 为什么需要 非线性激活函数 7. 激活函数的导数 8. 随机初始化 作业 参考: 吴 ...
- 深度学习笔记(4) 浅层神经网络
深度学习笔记(4) 浅层神经网络 1. 神经网络概述 2. 激活函数 3. 激活函数的导数 4. 神经网络的梯度下降 5. 随机初始化 1. 神经网络概述 神经网络看起来是如下: 有输入特征x1.x2 ...
- 深度学习入门笔记(六):浅层神经网络
专栏--深度学习入门笔记 声明 1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献. 2)本文仅供学术交流,非商用.所以每一部分具体的参考资料并没有详细对应.如果某部分 ...
- Coursera吴恩达《神经网络与深度学习》课程笔记(4)-- 浅层神经网络
红色石头的个人网站:redstonewill.com 上节课我们主要介绍了向量化.矩阵计算的方法和python编程的相关技巧.并以逻辑回归为例,将其算法流程包括梯度下降转换为向量化的形式,从而大大提高 ...
最新文章
- 100万奖金池,这不仅仅是场比赛
- MATLAB系统命令
- 阮一峰网络日志 第41期 2019年01月25日
- 计算机等级考试二级c语言笔试,全国计算机等级考试二级C语言笔试试题和答案.doc...
- 缓冲区Buffer-Buffer操作基本API
- 第20课 孔融让梨 《小学生C++趣味编程》
- 测试显示富士通UHF RFID亚麻标签可在1.5T及3T的MRI系统内使用
- 你需要知道的基础算法知识——STL和基础数据结构(二)
- clion stfp 配置
- 【Git/Github学习笔记】GitHub上README写法暨GFM语法解读
- android 下的虚拟机下载地址,Android x86 虚拟机镜像下介绍及下载
- AI配音专家(文字转语音真人发声工具)官方中文版V1.0.5 | 文字转语音软件下载 | 这是一款阿里语音合成引擎且能把文字读出来的软件
- js获取移动端屏幕高度和宽度等设备尺寸
- 趣挨踢 | 只有挨踢人才能读懂的西游记
- 计算机视觉 – Computer Vision | CV
- centos 安装Times New Roman
- 【AI产品】认猫、认花、认车、认吃,请认准识别全能王
- 高通 qca-wifi 移植
- evak购物车--团队博客
- 97岁的诺奖得主,活着就会有好事发生
热门文章
- 【社招】 中/高级C++ Developer - 美国顶尖交易公司Akuna Capital–上海
- python 高德地图
- STFT原理及MATLAB代码
- 最小径集的算法_最小割集Stoer-Wagner算法 | 学步园
- Excel数据分析和建模
- html5 文本框只能输入正整数,控制input文本框只能输入正整数
- Jaspergold形式验证-vhdl语言
- 调试STM32f401过程出现的问题
- linux用光盘安装系统时需要如何设置,Linux如何设置光盘启动
- 【EntityFramework CodeFirst 】错误解析:LINQ to Entities does not recognize the method ToString