神经网络的基本概念
-
人工神经网络(Artificial Neural Network,ANN):
-
是一种模仿生物神经网络的计算模型。由多个神经元(或称为节点)组成,这些节点通过不同的连接来传递信息。
-
每个神经元可以接收来自其他神经元的信息,经过加权和激活函数的处理后,再将信息传递到下一个神经元。
-
神经元的结构
在人工神经网络中,每个神经元都通过公式来处理输入信息并生成输出。神经元的核心组成部分包括:
-
输入(Input):来自前一层的输入数据。
-
加权求和 :每个输入都会乘以一个权重(
w
),加上偏置项(b
)。 -
激活函数(Activation Function):对加权和的结果进行非线性变换,使得模型能够处理复杂的非线性关系。常见的激活函数包括 Sigmoid、ReLU 和 Tanh。
-
输出(Output):经过激活函数处理后的值,作为传递到下一层的输入。
公式表达: 其中,(x_i) 是输入,(w_i) 是权重,(b) 是偏置项,激活函数 (f(x)) 用来引入非线性。
神经网络的层次结构
-
输入层(Input Layer):
- 输入层的神经元接收外界输入数据。这些数据可以是图像的像素值、文本的词向量等。输入层本身不做任何处理,只是将输入信息传递到下一个层。
-
隐藏层(Hidden Layer):
-
隐藏层是神经网络的中间层,它负责对输入数据进行复杂的特征提取。一个神经网络可以包含多个隐藏层,每个隐藏层都对前一层的输出进行处理。
-
每个隐藏层的神经元通过权重与前一层的神经元连接,并使用激活函数将线性变换结果转化为非线性输出。
-
-
输出层(Output Layer):
-
输出层的神经元数量取决于任务类型,例如,回归任务可能只有一个输出节点,而分类任务则有多个输出节点,表示不同的类别。
-
输出层的输出经过处理后用于做出最终的预测。
-
全连接神经网络(Fully Connected Neural Network)
我们可以看到一个全连接神经网络的结构示意图:
-
全连接(Fully Connected):在全连接网络中,当前层的每个神经元都会与下一层的每个神经元进行连接。这意味着每个神经元的输出都会影响下一层所有神经元的输入。
-
层与层之间的连接:输入层连接到隐藏层,隐藏层再连接到输出层。每一层的输出都作为下一层的输入。
特点:
-
前向传播:信息从输入层经过隐藏层逐层传递到输出层。
- 输入层 -> 隐藏层 -> 输出层。
-
每一层之间的全连接:每个神经元都会通过特定的权重连接到下一层的所有神经元,称为全连接层。
-
激活函数的作用:隐藏层中通常会使用激活函数引入非线性,使得网络能够学习到复杂的映射关系。
-
权重和偏置:每个神经元的输出都取决于输入、权重和偏置,通过反向传播和梯度下降,神经网络会调整这些参数以最小化损失函数。
可以使用这个进行跳转链接到谷歌的神经网络可视化网站
从一个神经网络看,这里就是两部分是我们人关注的,第一部分是我们如何进行权重参数的初始化, 第二部分我们怎么选择激活函数。
架构决定了,同一层一般是使用同一个非线性激活函数