Deep Learning 学习笔记（6）：神经网络( Neural Network )

神经元：

在神经网络的模型中，神经元可以表示如下

神经元的左边是其输入，包括变量x1、x2、x3与常数项1，

右边是神经元的输出

神经元的输出函数被称为激活函数（activation function），输出值被称为激活值（activation value）。

激活函数有很多种，其中最简单的莫过于sigmoid函数。

除非特别声明，否则博客里提及的激活函数均为sigmoid

---

神经网络：

多个神经元首尾相连连接成神经网络（Neural Network），可以表示如下：

尽管生物体中神经云之间的连接会更加复杂，

在常用的模型中，神经元的连接要遵循一定规则，

简单地来说就是要分层：上一层神经元的输出作为下一层的输入，

两层之间单向传递，没有反馈

同层之间的神经元没有交流。

下面我们来描述一下这个模型 :

神经网络  来表示网络的层数，

其中最左边的叫做出入层，最右边的称为输出层，中间的层被称为隐藏层

隐藏层的借点成为隐藏节点。隐藏层的数量为网络的“深度”

我们将第  层记为  ，于是  是输入层，输出层是  。

本例神经网络有参数  ，

其中 ，  （下面的式子中用到）是第  层第  单元与第  层第  单元之间的联接参数（权重，注意标号顺序），

 是第  层第  单元的偏置项。

因此在本例中，  ，  。

注意，即偏置单元没有输入

 表示第  层的节点数，偏置单元不计在内

---

神经网络的计算：

用  表示第  层第  单元的激活值（输出值），当  时， 

 表示第  层第  单元输入加权和（包括偏置单元）

于是，  可以按如下方法计算

计算过程可以用向量运算简化

这种由输入求输出，从左向右计算的算法，叫做前向传播算法

于是乎这种神经网络也叫做前馈神经网络

（完)