自我总结神经计算

神经系统的基本计算单位是神经细胞或神经元。生物神经元
有。
•树突(输入)神经元
•细胞体
•轴突(输出)

人工神经网络是受人类神经启发的连接主义者大规模并行系统系统。它的单位神经元通过称为突触相互连接。每个神经元作为主要的计算单位,它仅执行一个非常简单的操作:将其加权输入求和,对总和应用特定的激活函数。然后,该值表示神经元的输出。如此大的简化(根据生物学神经元),被认为是合理的足够,并且已成功用于多种类型的人工神经网络(Fausett 1994)。

神经元X i获得输入信号x i和连接权重w i的相关权重,该值可选地称为添加偏差b i以便相对于原点移动总和。计算输入的加权和然后加上偏差,以便我们获得一个称为刺激或神经元s i的内部电位的值。后它通过激活函数f转换为输出值o i,

自我总结神经计算_第1张图片

前馈网络,其中从输入单元到输出单元的数据流为严格前馈。数据处理可以扩展到多个(层)单元,但不能存在反馈连接,即从单元输出扩展到
同一层或先前层中单元的输入。

循环网络包含反馈连接。与前馈相反网络,网络的动态属性很重要。在某些情况下,单元的激活值经过松弛过程,因此网络将演化进入稳定状态,其中这些激活不再更改。在其他应用中输出神经元激活值的变化非常明显,因此动态行为构成了网络的输出

自我总结神经计算_第2张图片

感知器是最简单的人工神经网络,它是线性的,并且基于阈值θ传递函数。感知器只能用二进制对线性可分离的案例进行分类目标1或0。

感知器算法由弗兰克(Frank)于1957年在康奈尔航空实验室发明罗森布拉特(Beale and Jackson 1992)。单层感知器没有先验知识,因此初始权重是随机分配的。感知器对所有加权输入求和,如果总和高于阈值(一些预定值),则表示已激活(输出= 1)

自我总结神经计算_第3张图片

输入值会显示给感知器,并且预测的输出是否与所需的输出相同输出,则认为性能令人满意,并且未更改权重。然而,如果输出与所需输出不匹配,则需要更改权重以减少误差。

自我总结神经计算_第4张图片

人工神经网络训练
必须配置神经网络,以便产生一组输入的应用(“直接”或通过放松过程)所需的一组输出。设置力量的各种方法连接存在。一种方法是使用先验知识明确设置权重。另一种方法是通过提供教学模式并根据其权重改变来“训练”神经网络一些学习规则。
我们可以将学习情况分为两种不同的类型。这些是:
• 监督学习或联合学习,通过提供网络来训练网络
输入和匹配的输出模式。这些输入输出对可以由
外部老师或包含网络的系统(自我监督)。
• 无监督的学习或自我组织,其中训练(输出)单位以响应
输入中的模式簇。在这种范式中,系统应该发现
输入人口的统计显着特征。与监督学习不同
范例中,没有先验的类别可以将模式分类;
相反,系统必须开发自己的输入刺激表示

你可能感兴趣的:(机器学习,深度学习)