神经网络预测
术语
| 隐藏层 | 神经元 | 多层感知器 |
|---|
神经网络概述
应当选择正确的隐藏层数和每层隐藏神经元的数量，以达到这一层的输出是下一层的输入，逐层变得清晰，最终输出数据的目的。
在人脸识别的应用中，我们将图片视作连续的像素值序列，隐藏层不断匹对信息，颗粒从小到大。
正向传播基本原理
神经元层通过逻辑回归，计算出这层的数据参数能有多大的可能性，然后把它作为下一层的输入。
w ⃗ j [ i ] \vec w_j^{[i]} w j[i], i是层数，j是这一层第几个神经元。从0开始计层，输入层不计。
正向传播一般式
a j i = g ( w ⃗ j [ i ] ∗ a ⃗ [ i − 1 ] + b j [ i ] ) a_j^{i}=g(\vec w_j^{[i]}*\vec a^{[i-1]}+b_j^{[i]}) aji=g(w j[i]∗a [i−1]+bj[i])
注：g是激活函数。
这种传播是正向传播
代码
numpy的二维矩阵
| x = np.array([[2,1]) | 一行二列的矩阵数组 |
|---|---|
| x = np.array([[2],[1]]) | 二行一列的矩阵数组 |
| x = np.array([2,1]) | 一维数组 |
numpy与TensorFlow的矩阵规范差异
