深度学习·神经网络初步

神经网络

  • 输入层+隐藏层+输出层
  • 隐藏层有不同的种类

神经网络的术语

n [ i ] : n^{[i]}: n[i]:第i层的神经元个数
z [ i ] , w [ i ] , b [ i ] z^{[i]},w^{[i]},b^{[i]} z[i],w[i],b[i]:第i层的参数
a [ i ] : a^{[i]}: a[i]:第i层的激活函数

神经网络的原理

前向传播

z [ l + 1 ] = W [ l + 1 ] A [ l ] + b [ l + 1 ] z^{[l+1]}=W^{[l+1]}A^{[l]}+b^{[l+1]} z[l+1]=W[l+1]A[l]+b[l+1]

其中:

  • 矩阵 A [ l ] A^{[l]} A[l]是第 l l l层的输出矩阵(等价于第 l + 1 l+1 l+1层的输入矩阵),规模大小为( n [ l ] n^{[l]} n[l]x m m m)
  • 矩阵 W W W是第 l l l层的权重矩阵,规模大小为( n [ l + 1 ] n^{[l+1]} n[l+1]x n [ l ] n^{[l]} n[l])

矩阵A的实际含义是:列是样本,行是特征

矩阵W的实际含义是:看作当前层神经元的权重向量(这是一个行向量)组成的列向量

反向传播

提示:
J ( w , b ) J(w,b) J(w,b)等价于 J ( y , a [ l + 1 ] ) J(y,a^{[l+1]}) J(y,a[l+1])

利用链式法则求导,每次反向传播 z [ l + 1 ] z^{[l+1]} z[l+1]

推导过程如下

超参数和参数

  • 参数:w,b
  • 超参数:学习率, λ \lambda λ,神经元的个数,神经网络的层数,不同的层等,正则化方法

正则化

L2-正则化

公式与线性回归一致,只不过对矩阵 W W W求范数,需要计算 W W W中所有权重的和np.sum

Dropout正则化(反向随机失活)

随机丢弃一些神经元(输出结果置0)

表现在代码上就是生成随机矩阵作为掩码与输出矩阵相乘

相关推荐
DisonTangor几秒前
商汤InternLM发布最先进的开源多模态推理模型——Intern-S1
人工智能·深度学习·开源·aigc
wayman_he_何大民1 分钟前
RAG系统架构:让AI学会"查资料"的魔法
人工智能
泽安AI研习社2 分钟前
Coze 开源了,送上保姆级私有化部署方案【建议收藏】
人工智能
阿鼎08153 分钟前
揭秘大语言模型:从文字到数字,token 是如何变成向量的?
人工智能·算法
用户1395118811247 分钟前
AI日报 - 2025年07月26日
人工智能
大模型真好玩7 分钟前
深入浅出LangChain AI Agent智能体开发教程(四)—LangChain记忆存储与多轮对话机器人搭建
前端·人工智能·python
双向337 分钟前
多智能体系统设计:协作、竞争与涌现行为
人工智能
Q同学8 分钟前
SciMaster:无需微调,在人类最后考试上刷新 SOTA
人工智能·llm·agent
qiyue779 分钟前
AI编程专栏(七)-什么是上下文工程,与提示工程区别
人工智能·ai编程·cursor
love530love9 分钟前
命令行创建 UV 环境及本地化实战演示—— 基于《Python 多版本与开发环境治理架构设计》的最佳实践
开发语言·人工智能·windows·python·conda·uv