机器学习（吴恩达）——小白笔记（7）：神经元网络、深度学习算法

神经元网络

神经网络的模型：

一个神经网络模型可分为三层：以预测T恤是否会称为顶级热销商品为例

• input layer(输入层)：特征变量（feature variance） 有price，shipping cost,marketing,material四个，共同组成一个输入向量x
• hidden layer(隐藏层）：具有三个神经元：afford ability，awareness，perceived quality,每一个神经元都可能是由输入层中的特征值的一个或多个共同决定（可以用函数表达）
• output layer(输出层）：由隐藏层的特征值组成的特征向量a传递出来，并作出最终的预测

• 在一个多元神经网络中，隐藏层可以有多层，每层的神经元个数不定
  
  
  

  神经网络中的网络层

  神经网络的具体工作原理：
  以三层网络为例：每一层都输入一个数字向量，并对其应用一堆逻辑回归单元（神经元），从而计算出另外一个数字向量，一层一层的进行这种工作，直到得到了最终层的计算输出结果，简单的工作原理图如下所示，其中参量右上角[ ]的上标数字表示所在层数

• layer 0

• layer 1

• layer 2

更复杂的神经网络

计算每一层的激活值：

神经网络向前传播

• 有一个8*8的矩阵，255代表白色像素，0表示黑色像素，计算能输出数字1的概率
  
• 使用一个神经网络模型，隐藏层layer1有25个单元，隐藏层layer2有15个单元，现在计算特征向量a1的值，其中x可以用a0表示：
  
  a1的计算
  
  a2的计算
  
  a3的计算
  
  计算a3的输出值，若>=0.5，则预测y-hat的值1，即可正确输出数字1的图像，反之则为0,不能正确输出数字1的图像
  
  f(x)表示逻辑回归或者线性回归的输出

• 这种神经网络架构称为向前传播（forward propagation）：这种架构的神经网络的特点是随着靠近输出层，隐藏层的神经单元会减少

  用代码实现推理

  
  
  以上是使用Tensorflow进行的神经网络的推理
  
  Tensorflow和numpy的转换

  搭建一个神经网络

  

单个网络层上的向前传播

向前传播的一般实现

强人工智能

人工只能的分类：

矩阵乘法