人人操我我操人人,日韩刺激网站国产精品线路一

[導讀]作者|泳魚來源|算法進階本文將從神經(jīng)元到邏輯回歸模型結構，并將其擴展到深度深度網(wǎng)絡模型。一、談談智慧對于人類智慧奧秘的探索，不同時代、學科背景的人對于智慧的理解及其實現(xiàn)方法有著不同的思想主張。有的主張用顯式邏輯體系搭建人工智能系統(tǒng)，即符號主義。有的主張用數(shù)學模型模擬大腦組成以實現(xiàn)...

作者 | 泳魚來源 | 算法進階本文將從神經(jīng)元到邏輯回歸模型結構，并將其擴展到深度深度網(wǎng)絡模型。

一、談談智慧

對于人類智慧奧秘的探索，不同時代、學科背景的人對于智慧的理解及其實現(xiàn)方法有著不同的思想主張。有的主張用顯式邏輯體系搭建人工智能系統(tǒng)，即符號主義。有的主張用數(shù)學模型模擬大腦組成以實現(xiàn)智慧，即聯(lián)結主義，這也就是我們本文討論的方向。那大腦為什么能夠思考？科學家發(fā)現(xiàn)，原因在于人體的神經(jīng)網(wǎng)絡，而神經(jīng)網(wǎng)絡的基本組成就是神經(jīng)元：從神經(jīng)元談到深度神經(jīng)網(wǎng)絡

1、外部刺激通過神經(jīng)元的神經(jīng)末梢，轉化為電信號，傳導到神經(jīng)元。2、神經(jīng)元的樹突接收電信號，由神經(jīng)元處理是否達到激活閾值再輸出興奮或者抑制電信號，最后由軸突將信號傳遞給其它細胞。3、無數(shù)神經(jīng)元構成神經(jīng)中樞。神經(jīng)中樞綜合各種信號，做出判斷。4、人體根據(jù)神經(jīng)中樞的指令，對外部刺激做出反應。

二、神經(jīng)元

既然智慧的基礎是神經(jīng)元，而正因為神經(jīng)元這些特點才使大腦具有強大的 “運算及決策的能力”，科學家以此為原理發(fā)明了人工神經(jīng)元數(shù)學模型，并以神經(jīng)元為基礎而組合成人工神經(jīng)網(wǎng)絡模型。（注：下文談到的神經(jīng)元都特指人工神經(jīng)元）從神經(jīng)元談到深度神經(jīng)網(wǎng)絡

如上圖就是人工神經(jīng)元的基本結構。它可以輸入一定維數(shù)的輸入（如：3維的輸入，x1，x2, x3），每個輸入都先要乘上相應的權重值（如：w0,w1,w2），乘上每一權重值的作用可以視為對每一輸入的加權，也就是對每一輸入的神經(jīng)元對它的重視程度是不一樣的。接下來神經(jīng)元將乘上權重的每個輸入做下求和（也就是加權求和），并加上截距項（截距項b可以視為對神經(jīng)元閾值的直接調整），最后由激活函數(shù)（f）非線性轉換為最終輸出值。激活函數(shù)的種類很多，有sigmoid，tanh，sign，relu，softmax等等（下一專題會討論下激活函數(shù)）。激活函數(shù)的作用是在神經(jīng)元上實現(xiàn)一道非線性的運算，以通用萬能近似定理——“如果一個前饋神經(jīng)網(wǎng)絡具有線性輸出層和至少一層隱藏層，只要給予網(wǎng)絡足夠數(shù)量的神經(jīng)元，便可以實現(xiàn)以足夠高精度來逼近任意一個在 ?n 的緊子集 (Compact subset) 上的連續(xù)函數(shù)”所表明，激活函數(shù)是深度神經(jīng)網(wǎng)絡學習擬合任意函數(shù)的前提。

三、神經(jīng)元到邏輯回歸

單個神經(jīng)元且其激活函數(shù)為sigmoid時，既是我們熟知的邏輯回歸的模型結構。從神經(jīng)元談到深度神經(jīng)網(wǎng)絡

邏輯回歸是一種廣義線性的分類模型且其模型結構可以視為單層的神經(jīng)網(wǎng)絡，由一層輸入層、一層僅帶有一個sigmoid激活函數(shù)的神經(jīng)元的輸出層組成，而無隱藏層。（注：計算網(wǎng)絡層數(shù)不計入輸入層）在邏輯回歸模型結構中，我們輸入數(shù)據(jù)特征x，通過輸出層神經(jīng)元激活函數(shù)σ（sigmoid函數(shù)）將輸入的特征經(jīng)由sigmoid(wx b)的計算后非線性轉換為0~1區(qū)間的數(shù)值后輸出。學習訓練過程是通過梯度下降學到合適的參數(shù)w的模型 Y=sigmoid(wx b)，使得模型輸出值Y與實際值y的誤差最小。

四、邏輯回歸到深度神經(jīng)網(wǎng)絡

基于前面的介紹可以知道，神經(jīng)網(wǎng)絡也就是神經(jīng)元按層次連接而成的網(wǎng)絡，邏輯回歸是單層的神經(jīng)網(wǎng)絡，當我們給僅有輸入層及輸出層的單層神經(jīng)網(wǎng)絡中間接入至少一層的隱藏層，也就是深度神經(jīng)網(wǎng)絡了。從神經(jīng)元談到深度神經(jīng)網(wǎng)絡

深度神經(jīng)網(wǎng)絡包含了三種網(wǎng)絡層：輸入層、隱藏層及輸出層。

輸入層：為數(shù)據(jù)特征輸入層，輸入數(shù)據(jù)特征個數(shù)就對應著網(wǎng)絡的神經(jīng)元數(shù)。
隱藏層：即網(wǎng)絡的中間層，隱藏層層數(shù)可以為0或者很多層，其作用接受前一層網(wǎng)絡輸出作為當前的輸入值，并計算輸出當前結果到下一層。隱藏層是神經(jīng)網(wǎng)絡性能的關鍵，通常由含激活函數(shù)的神經(jīng)元組成，以進一步加工出高層次抽象的特征，以增強網(wǎng)絡的非線性表達。隱藏網(wǎng)絡層數(shù)直接影響模型的擬合效果。
輸出層：為最終結果輸出的網(wǎng)絡層。輸出層的神經(jīng)元個數(shù)代表了分類標簽的個數(shù)（注：在做二分類時，如果輸出層的激活函數(shù)采用sigmoid，輸出層的神經(jīng)元個數(shù)為1個；如果采用softmax分類器，輸出層神經(jīng)元個數(shù)為2個）

在神經(jīng)網(wǎng)絡中，數(shù)據(jù)特征（x）從輸入層輸入，每層的計算結果由前一層傳遞到下一層，最終到輸出層輸出計算結果。每個網(wǎng)絡層由一定數(shù)量的神經(jīng)元組成，神經(jīng)元可以視為一個個的計算單元，對輸入進行加權求和，故其計算結果由神經(jīng)元包含的權重(即模型參數(shù)w)直接控制，神經(jīng)元內還可以包含激活函數(shù)，可以對加權求和的結果進一步做非線性的計算,如sigmoid(wx b)。從神經(jīng)元談到深度神經(jīng)網(wǎng)絡