一、人工神经元

上方人工神经元中:

  1. 输入 * 权重 ——>  相当于 人神经元中  树突的功能
  2. 各输入 相加 ,再做非线性变化f ——>  相当于胞体的功能
  3. 将非线性变化的结果输出 ——> 相当于轴突

在非线性函数f固定的情况下,选择不同的权重,单个神经元 可以完成 不同的运算

但并不是全部,比如 : “或运算”

上述证明过程 可表示为: y = f( w[0] * x[0] + w[1] * w[1] + w[2]  )

在 x[0] x[1] 两个输入 分别为 00  10   01   11  的情况下,最终的输出为 y = 0 1 1 1【或运算】

利用反证法 证明

二、人工神经网络

指多个神经元 ——>  组成的网络

【其中,某些神经元的 输出 会 作为 另外一些神经元的输入】

比如,用两个 权重不同的 神经元搭成的神经网络 实现或运算

神经网络可以模拟所有可能的运算

证明: 由非线性函数为 f() = max(.,0)的神经元组成的神经网络 可以模拟 任何闭区间上的连续分段线性函数

如果输入和输出直接的关系 不是分段 线性函数,还能不能用 神经网络模拟? ———— 当然可以

原因:  任意一个 输入/输出关系 都可以用分段线性函数来近似,只要分段点足够多,就可以非常准确地用 分段函数 来近似这个函数。而 分段线性函数,可以通过人工神经网络搭建来得到————>  只要人工神经网络 中的神经元 数目足够多,神经元之间的关系 足够复杂,就可以非常精确的模拟任意的 输入/ 输出关系    【即,万能近似定理

三、神经网络的设计和权重的学习

  1. 神经网络结构的确定:    神经元个数越多,链接越复杂,能便是的 输入/输出 关系越多,对特定 输入/输出关系的表达 就 越精确,但也就越难找到 最合适的权重------最优的输入/输出关系   【中间 存在 折中关系
  2. 神经网络中神经元权重的确定:         权重的选取  可以看作  是一个 优化问题 。  对于每一组确定的权重值,我们可以确定出优化问题的 收益或损失。当权重不合适时,优化问题的收益笑,损失大;权重合适时,优化问题的收益大,损失小   【通过调节权重,最大化收益,最小化损失,就可以得到合适的权重

Pytorch笔记 (1) 初始神经网络的更多相关文章

  1. CNN学习笔记:卷积神经网络

    CNN学习笔记:卷积神经网络 卷积神经网络 基本结构 卷积神经网络是一种层次模型,其输入是原始数据,如RGB图像.音频等.卷积神经网络通过卷积(convolution)操作.汇合(pooling)操作 ...

  2. [Pytorch] pytorch笔记 <三>

    pytorch笔记 optimizer.zero_grad() 将梯度变为0,用于每个batch最开始,因为梯度在不同batch之间不是累加的,所以必须在每个batch开始的时候初始化累计梯度,重置为 ...

  3. [Pytorch] pytorch笔记 <二>

    pytorch笔记2 用到的关于plt的总结 plt.scatter scatter(x, y, s=None, c=None, marker=None, cmap=None, norm=None, ...

  4. [Pytorch] pytorch笔记 <一>

    pytorch笔记 - torchvision.utils.make_grid torchvision.utils.make_grid torchvision.utils.make_grid(tens ...

  5. Pytorch笔记 (2) 初识Pytorch

    一.人工神经网络库 Pytorch ———— 让计算机  确定神经网络的结构 +   实现人工神经元 + 搭建人工神经网络 + 选择合适的权重 (1)确定人工神经网络的 结构: 只需要告诉Pytorc ...

  6. 【学习笔记】循环神经网络(RNN)

    前言 多方寻找视频于博客.学习笔记,依然不能完全熟悉RNN,因此决定还是回到书本(<神经网络与深度学习>第六章),一点点把啃下来,因为这一章对于整个NLP学习十分重要,我想打好基础. 当然 ...

  7. Python机器学习笔记:卷积神经网络最终笔记

    这已经是我的第四篇博客学习卷积神经网络了.之前的文章分别是: 1,Keras深度学习之卷积神经网络(CNN),这是开始学习Keras,了解到CNN,其实不懂的还是有点多,当然第一次笔记主要是给自己心中 ...

  8. [基础]斯坦福cs231n课程视频笔记(三) 训练神经网络

    目录 training Neural Network Activation function sigmoid ReLU Preprocessing Batch Normalization 权重初始化 ...

  9. Coursera Deep Learning笔记 改善深层神经网络:优化算法

    笔记:Andrew Ng's Deeping Learning视频 摘抄:https://xienaoban.github.io/posts/58457.html 本章介绍了优化算法,让神经网络运行的 ...

随机推荐

  1. Kubernetes 编排神器之 Helm

    什么是Kubernetes Helm?为什么要使用Helm? 前言 编写一堆Kubernetes配置文件是一件很麻烦的事情.对于一些容器,我们可能需要10多个yaml文件.维护它们是一个问题,而且在不 ...

  2. OSM全球地图MBTiles,非postgresql方式。

    介绍: https://www.cnblogs.com/i-gps/p/3919475.html 下载和使用: https://openmaptiles.org/ OSM pbf转换: https:/ ...

  3. 【GitHub】命令行操作

    提交文件 本地修改之后:git add .     提交到暂存区 commit一下:git commit -m "xxx"   -m表示信息,不填无法commit 提交到远程仓库: ...

  4. Python2和Python3中列表推导式的不同

    Python2和Python3中列表推导式的不同 python2 >>> x = 'my girl' >>> lst = [x for x in 'hello'] ...

  5. 如何理解Hibernate的延迟加载机制?

    延迟加载就是并不是在读取的时候就把数据加载进来,而是等到使用时再加载.Hibernate使用了虚拟代理机制实现延迟加载.返回给用户的并不是实体本身,而是实体对象的代理.代理对象在用户调用getter方 ...

  6. Eclipse中SVN分支与合并

    一.创建分支 Eclipse中利用svn插件创建分支,如下图 分支创建完毕,查看svn资源库中可以看到,分支信息: 二.分支合并主干 1.切换到分支,如图 切换: 2.修改分支信息 在pojo中新增T ...

  7. 让IE8和IE9支持 placeholder

    1.原因:placeholder是h5的新属性,IE10以前的浏览器(8.9)不支持此属性. 2.解决方法:jQuery三方插件  jquery-placeholder 3.快速开始: <!DO ...

  8. 微信小游戏egret开发包括p2引擎小结

    用egret + p2 做一个类似投球的小游戏,坑大致如下: 1.p2引擎与egret坐标不同注意转换,横坐标没什么,纵坐标egret.y = stageHeight - body.position[ ...

  9. RSA加密算法原理及RES签名算法简介(转载)

    第一部分:RSA算法原理与加密解密 一.RSA加密过程简述 A和B进行加密通信时,B首先要生成一对密钥.一个是公钥,给A,B自己持有私钥.A使用B的公钥加密要加密发送的内容,然后B在通过自己的私钥解密 ...

  10. STM32使用HAL库,使用延时卡死的问题。

    之前一直使用标准库的,现在转到HAL库来后,编写了第一个程序就遇到了问题.发现我使用库里的延时程序HAL_Delay()时,会卡死在里面. 根据程序,进入到这个延时程序后 ,发现HAL_GetTick ...