课时57 模型展示II

这些Z值都是线性组合,是特定神经元x0,x1,x2,x3的加权线性组合;

可以将特征向量X定义为x0 x1 x2 x3组成的向量;

前向传播:

这个计算和h(x)的过程也称为前向传播,这样命名的原因是我们从输入单元的激活项开始,进行前向传播给隐藏层,计算隐藏层的激活项,然后继续向前传播,并计算输出层的激活项。这个一次计算激活项从输入层到隐藏层再到输出层的过程叫做前向传播;

下图为前向传播的向量化实现方法。

课时57 模型展示II_第1张图片

 

这种前向传播的方法可以帮助我们了解神经网络的作用以及他为什么能够帮助我们学习有趣的非线性假设函数;

 

隐藏层向输出层这个前向传播过程,类似于逻辑回归,但是,输入逻辑回归的特征值是通过隐藏层计算的这些数值;这些特征值实质上为由第一层映射到第二层的函数,而这个函数又由之前的参数决定;

课时57 模型展示II_第2张图片

 

下面例子讲解如何通过神经网络来训练更加复杂的特征;

神经网络中神经元的连接方式称为神经网络的架构;架构是指不同神经元之间的连接方式;

在第四层可以利用第三层训练出来的更复杂的特征作为输入,以此得到非常有趣的非线性假设函数;

课时57 模型展示II_第3张图片

 

 

 

 

 

你可能感兴趣的:(machine,learning)