第八章 人工神经网络与深度学习

文章目录

  • 本节重点
  • 一、生物神经元模型
  • 二、感知器算法
    • 2.1 感知器模型的结构
    • 2.2 感知器权重学习方法
    • 2.3 实例
    • 2.4 感知器算法的问题和改进
    • 2.5 人工神经元模型特点
  • 三、前馈神经网络和BP算法
    • 3.1 FNN结构
    • 3.2 FNN问题
  • 四、错误反向传播(BP)算法
    • FNN实例
      • 利用FNN解决MNIST问题
  • 五、卷积神经网络
    • 5.1 视觉通路
    • 5.2 视觉皮层和图像卷积
    • 5.3 实例
    • 5.4 卷积神经网络(CNN)

本节重点

训练多层神经网络的过程:

训练过程可以分为以下步骤:
– 前馈计算:从输入层开始,计算每一层的状态和激活值,直到最后一层;

– 误差计算:计算当前实例产生的误差

– 误差反传:从输出层开始,逐层计算每个神经元的信号,并反向传播到前层

– 权重更新:根据信号,计算权重的导数,并更新参数

下面将详细介绍

一、生物神经元模型

– 通过多个树突获取信息,通过轴
突传递信号

–多个神经元之间通过轴突、树突
形成连接,构成神经元网络

– 神经元之间能够逐级传递脉冲电
位信号

– 神经元之间连接数量的多少、粗
细等生物特征表示了连接强度
第八章 人工神经网络与深度学习_第1张图片神经网络的层数决定了其分类能力
– 双隐层的网络就可以解决任意复杂度的分类问题!

二、感知器算法

2.1 感知器模型的结构

第八章 人工神经网络与深度学习_第2张图片

2.2 感知器权重学习方法

• 我们采用的是“奖惩分明”策略

– 对于一个样本,如果当前权重能够正确判断其类型,就“奖励”当前权重,提高其比例。

– 反之,则惩罚当前权重,降低其比例。

– 如此反复,直到某个权重对所有样本均不产生错误,或者错误不再降低。

2.3 实例

第八章 人工神经网络与深度学习_第3张图片第八章 人工神经网络与深度学习_第4张图片第八章 人工神经网络与深度学习_第5张图片
第八章 人工神经网络与深度学习_第6张图片
第八章 人工神经网络与深度学习_第7张图片

2.4 感知器算法的问题和改进

第八章 人工神经网络与深度学习_第8张图片

2.5 人工神经元模型特点

第八章 人工神经网络与深度学习_第9张图片

三、前馈神经网络和BP算法

3.1 FNN结构

FNN可以看做是一个多层感知器模型
第八章 人工神经网络与深度学习_第10张图片
第八章 人工神经网络与深度学习_第11张图片

3.2 FNN问题

FNN具有多层神经元,权重的调整具有3个难点:

– 网络误差是由多层信号累积导致,如何“分配”误差到各个层?

隐含层神经元无法直接观测其误差,如何调整权重?

– 全连接层权重数量众多,计算量问题凸显。

四、错误反向传播(BP)算法

第八章 人工神经网络与深度学习_第12张图片
第八章 人工神经网络与深度学习_第13张图片第八章 人工神经网络与深度学习_第14张图片
第八章 人工神经网络与深度学习_第15张图片

第八章 人工神经网络与深度学习_第16张图片

第八章 人工神经网络与深度学习_第17张图片

FNN实例

利用FNN解决MNIST问题

第八章 人工神经网络与深度学习_第18张图片
第八章 人工神经网络与深度学习_第19张图片第八章 人工神经网络与深度学习_第20张图片
第八章 人工神经网络与深度学习_第21张图片

五、卷积神经网络

5.1 视觉通路

第八章 人工神经网络与深度学习_第22张图片

5.2 视觉皮层和图像卷积

第八章 人工神经网络与深度学习_第23张图片
第八章 人工神经网络与深度学习_第24张图片

5.3 实例

第八章 人工神经网络与深度学习_第25张图片
第八章 人工神经网络与深度学习_第26张图片
第八章 人工神经网络与深度学习_第27张图片
第八章 人工神经网络与深度学习_第28张图片
第八章 人工神经网络与深度学习_第29张图片

5.4 卷积神经网络(CNN)

第八章 人工神经网络与深度学习_第30张图片

你可能感兴趣的:(#,人工智能导论,深度学习,神经网络,图像处理,人工智能,卷积)