神經網絡

Contents ?[hide] 1?概述 2?神經網絡模型 3?中英文對照 4?中文譯者

概述

以監督學習為例，假設我們有訓練樣本集??，那么神經網絡算法能夠提供一種復雜且非線性的假設模型??，它具有參數??，可以以此參數來擬合我們的數據。

為了描述神經網絡，我們先從最簡單的神經網絡講起，這個神經網絡僅由一個“神經元”構成，以下即是這個“神經元”的圖示：

這個“神經元”是一個以??及截距??為輸入值的運算單元，其輸出為??，其中函數?被稱為“激活函數”。在本教程中，我們選用sigmoid函數作為激活函數?

可以看出，這個單一“神經元”的輸入－輸出映射關系其實就是一個邏輯回歸（logistic regression）。

雖然本系列教程采用sigmoid函數，但你也可以選擇雙曲正切函數（tanh）：

以下分別是sigmoid及tanh的函數圖像

?

?函數是sigmoid函數的一種變體，它的取值范圍為??，而不是sigmoid函數的??。

注意，與其它地方（包括OpenClassroom公開課以及斯坦福大學CS229課程）不同的是，這里我們不再令??。取而代之，我們用單獨的參數??來表示截距。

最后要說明的是，有一個等式我們以后會經常用到：如果選擇??，也就是sigmoid函數，那么它的導數就是??（如果選擇tanh函數，那它的導數就是??，你可以根據sigmoid（或tanh）函數的定義自行推導這個等式。

神經網絡模型

所謂神經網絡就是將許多個單一“神經元”聯結在一起，這樣，一個“神經元”的輸出就可以是另一個“神經元”的輸入。例如，下圖就是一個簡單的神經網絡：

我們使用圓圈來表示神經網絡的輸入，標上“”的圓圈被稱為偏置節點，也就是截距項。神經網絡最左邊的一層叫做輸入層，最右的一層叫做輸出層（本例中，輸出層只有一個節點）。中間所有節點組成的一層叫做隱藏層，因為我們不能在訓練樣本集中觀測到它們的值。同時可以看到，以上神經網絡的例子中有3個輸入單元（偏置單元不計在內），3個隱藏單元及一個輸出單元。

我們用??來表示網絡的層數，本例中??，我們將第??層記為??，于是??是輸入層，輸出層是??。本例神經網絡有參數??，其中??（下面的式子中用到）是第??層第??單元與第??層第??單元之間的聯接參數（其實就是連接線上的權重，注意標號順序），??是第??層第??單元的偏置項。因此在本例中，??，??。注意，沒有其他單元連向偏置單元(即偏置單元沒有輸入)，因為它們總是輸出?。同時，我們用??表示第??層的節點數（偏置單元不計在內）。

我們用??表示第??層第??單元的激活值（輸出值）。當??時，??，也就是第??個輸入值（輸入值的第??個特征）。對于給定參數集合?，我們的神經網絡就可以按照函數??來計算輸出結果。本例神經網絡的計算步驟如下：

我們用??表示第??層第??單元輸入加權和（包括偏置單元），比如，??，則??。

這樣我們就可以得到一種更簡潔的表示法。這里我們將激活函數??擴展為用向量（分量的形式）來表示，即?，那么，上面的等式可以更簡潔地表示為：

我們將上面的計算步驟叫作前向傳播。回想一下，之前我們用??表示輸入層的激活值，那么給定第??層的激活值??后，第??層的激活值??就可以按照下面步驟計算得到：

將參數矩陣化，使用矩陣－向量運算方式，我們就可以利用線性代數的優勢對神經網絡進行快速求解。

目前為止，我們討論了一種神經網絡，我們也可以構建另一種結構的神經網絡（這里結構指的是神經元之間的聯接模式），也就是包含多個隱藏層的神經網絡。最常見的一個例子是??層的神經網絡，第??層是輸入層，第??層是輸出層，中間的每個層??與層??緊密相聯。這種模式下，要計算神經網絡的輸出結果，我們可以按照之前描述的等式，按部就班，進行前向傳播，逐一計算第??層的所有激活值，然后是第??層的激活值，以此類推，直到第??層。這是一個前饋神經網絡的例子，因為這種聯接圖沒有閉環或回路。

神經網絡也可以有多個輸出單元。比如，下面的神經網絡有兩層隱藏層：??及??，輸出層??有兩個輸出單元。

要求解這樣的神經網絡，需要樣本集??，其中??。如果你想預測的輸出是多個的，那這種神經網絡很適用。（比如，在醫療診斷應用中，患者的體征指標就可以作為向量的輸入值，而不同的輸出值??可以表示不同的疾病存在與否。）

中英文對照

neural networks 神經網絡

activation function 激活函數

hyperbolic tangent 雙曲正切函數

bias units 偏置項

activation 激活值

forward propagation 前向傳播

feedforward neural network 前饋神經網絡(參照Mitchell的《機器學習》的翻譯)

總結

以上是生活随笔為你收集整理的神经网络 Stanford UFLDL的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。