
深度學習入門課程筆記 神經(jīng)網(wǎng)絡
首先咱們先來回顧一下之前課程所講前向傳播和反向傳播知識點,前往傳播就是從輸入X到最終得到LOSS值的過程,反向傳播是從最終的LOSS值經(jīng)過梯度的傳播最終計算出權重矩陣W中所有參數(shù)對于最終的LOSS值影響大小,更新參數(shù)就是通過不同權重參數(shù)對終LOSS值的影響來調節(jié)參數(shù),使得咱們的參數(shù)矩陣W能夠更擬合咱們的數(shù)據(jù),也就是使得最終的LOSS值能夠降低。這一系列的過程就是相當于完成了一次迭代
下面咱們就來看看神經(jīng)網(wǎng)絡跟傳統(tǒng)的線性分類到底有什么區(qū)別,從公式中我們可以看出,一個最明顯的區(qū)別就是神經(jīng)網(wǎng)絡函數(shù)多了一個MAX()計算也就是說我們咱們現(xiàn)在的函數(shù)公式變成了一個非線性的操作,也正是這種非線性的函數(shù)使得神經(jīng)網(wǎng)絡相比于傳統(tǒng)的線性分類更強大,因為非線性可以使得咱們的函數(shù)去擬合更復雜的數(shù)據(jù)。
接下來咱們就來看一下神經(jīng)網(wǎng)絡的結構,從途中可以看出,神經(jīng)網(wǎng)絡是一個層次的結構
輸入層也就是代表著數(shù)據(jù)源
隱層這個大家理解起來可能有些費勁,咱們可以把隱層當成是中間層也就是在這里對輸入數(shù)據(jù)進行了非線性的變換
激活函數(shù)它是跟隱層在一起的,比如這個MAX()函數(shù)就是一個激活函數(shù),正是因為激活函數(shù)的存在才使得整個神經(jīng)網(wǎng)絡呈現(xiàn)出一種非線性的模式。
輸出層這個就是最終得到的結果了,比如一個分類任務,最終的輸出就是每個類別的概率值了
我們可以看到對應于多層的網(wǎng)絡也就是有多個隱層,相當于咱們又加了一層非線性函數(shù)MAX(),這個理解起來很簡單了吧,對于深層網(wǎng)絡來說,它具有更好的非線性也就是說網(wǎng)絡的層數(shù)越深就更能夠去擬合更復雜的數(shù)據(jù)。
看過很多講解都提高了把神經(jīng)網(wǎng)絡和人類的腦結構相對比,我覺得這有些增加了游戲難度,因為很多同學本身對生物學結構就不是很清楚,又搞了這多名詞出來,理解起來好像更費勁了,這里咱們就不說生物學結構了,直接看右半部分,和之前的線性分類最大的區(qū)別就是我們多了一個activation function也就是咱們剛才所說的激活函數(shù),可以說正是激活函數(shù)的存在使得整個神經(jīng)網(wǎng)絡變得強大起來。
那么神經(jīng)網(wǎng)絡能表達多復雜的數(shù)據(jù)信息是由什么決定的呢?這個例子給了咱們很好的解釋,神經(jīng)網(wǎng)絡是表達能力是由神經(jīng)元的個數(shù),也就是每一個隱層所函數(shù)神經(jīng)元的個數(shù)來決定的,神經(jīng)元越多,層數(shù)越深表達的能力也就越強,理論上我們認為神經(jīng)元越多越好!
咱們剛才說了神經(jīng)網(wǎng)絡具有很強的表達能力,但是也很危險的,就是說神經(jīng)網(wǎng)絡很容易發(fā)成過擬合現(xiàn)象,因為咱們有大量的神經(jīng)元也就是導致了我們需要的參數(shù)是極其多的,那么該怎么辦呢?最直接的方法就是加上正則化項,它可以使得咱們的神經(jīng)網(wǎng)絡不至于過擬合很嚴重也是咱們訓練神經(jīng)網(wǎng)絡必做的一項,圖中顯示了正則化的作用!
數(shù)據(jù)分析咨詢請掃描二維碼
若不方便掃碼,搜微信號:CDAshujufenxi
MySQL 大表拆分與關聯(lián)查詢效率:打破 “拆分必慢” 的認知誤區(qū) 在 MySQL 數(shù)據(jù)庫管理中,“大表” 始終是性能優(yōu)化繞不開的話題。 ...
2025-09-18CDA 數(shù)據(jù)分析師:表結構數(shù)據(jù) “獲取 - 加工 - 使用” 全流程的賦能者 表結構數(shù)據(jù)(如數(shù)據(jù)庫表、Excel 表、CSV 文件)是企業(yè)數(shù)字 ...
2025-09-18DSGE 模型中的 Et:理性預期算子的內涵、作用與應用解析 動態(tài)隨機一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明確:TIF 中的地名有哪兩種存在形式? 在開始提取前,需先判斷 TIF 文件的類型 —— ...
2025-09-17CDA 數(shù)據(jù)分析師:解鎖表結構數(shù)據(jù)特征價值的專業(yè)核心 表結構數(shù)據(jù)(以 “行 - 列” 規(guī)范存儲的結構化數(shù)據(jù),如數(shù)據(jù)庫表、Excel 表、 ...
2025-09-17Excel 導入數(shù)據(jù)含缺失值?詳解 dropna 函數(shù)的功能與實戰(zhàn)應用 在用 Python(如 pandas 庫)處理 Excel 數(shù)據(jù)時,“缺失值” 是高頻 ...
2025-09-16深入解析卡方檢驗與 t 檢驗:差異、適用場景與實踐應用 在數(shù)據(jù)分析與統(tǒng)計學領域,假設檢驗是驗證研究假設、判斷數(shù)據(jù)差異是否 “ ...
2025-09-16CDA 數(shù)據(jù)分析師:掌控表格結構數(shù)據(jù)全功能周期的專業(yè)操盤手 表格結構數(shù)據(jù)(以 “行 - 列” 存儲的結構化數(shù)據(jù),如 Excel 表、數(shù)據(jù) ...
2025-09-16MySQL 執(zhí)行計劃中 rows 數(shù)量的準確性解析:原理、影響因素與優(yōu)化 在 MySQL SQL 調優(yōu)中,EXPLAIN執(zhí)行計劃是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 對象的 text 與 content:區(qū)別、場景與實踐指南 在 Python 進行 HTTP 網(wǎng)絡請求開發(fā)時(如使用requests ...
2025-09-15CDA 數(shù)據(jù)分析師:激活表格結構數(shù)據(jù)價值的核心操盤手 表格結構數(shù)據(jù)(如 Excel 表格、數(shù)據(jù)庫表)是企業(yè)最基礎、最核心的數(shù)據(jù)形態(tài) ...
2025-09-15Python HTTP 請求工具對比:urllib.request 與 requests 的核心差異與選擇指南 在 Python 處理 HTTP 請求(如接口調用、數(shù)據(jù)爬取 ...
2025-09-12解決 pd.read_csv 讀取長浮點數(shù)據(jù)的科學計數(shù)法問題 為幫助 Python 數(shù)據(jù)從業(yè)者解決pd.read_csv讀取長浮點數(shù)據(jù)時的科學計數(shù)法問題 ...
2025-09-12CDA 數(shù)據(jù)分析師:業(yè)務數(shù)據(jù)分析步驟的落地者與價值優(yōu)化者 業(yè)務數(shù)據(jù)分析是企業(yè)解決日常運營問題、提升執(zhí)行效率的核心手段,其價值 ...
2025-09-12用 SQL 驗證業(yè)務邏輯:從規(guī)則拆解到數(shù)據(jù)把關的實戰(zhàn)指南 在業(yè)務系統(tǒng)落地過程中,“業(yè)務邏輯” 是連接 “需求設計” 與 “用戶體驗 ...
2025-09-11塔吉特百貨孕婦營銷案例:數(shù)據(jù)驅動下的精準零售革命與啟示 在零售行業(yè) “流量紅利見頂” 的當下,精準營銷成為企業(yè)突圍的核心方 ...
2025-09-11CDA 數(shù)據(jù)分析師與戰(zhàn)略 / 業(yè)務數(shù)據(jù)分析:概念辨析與協(xié)同價值 在數(shù)據(jù)驅動決策的體系中,“戰(zhàn)略數(shù)據(jù)分析”“業(yè)務數(shù)據(jù)分析” 是企業(yè) ...
2025-09-11Excel 數(shù)據(jù)聚類分析:從操作實踐到業(yè)務價值挖掘 在數(shù)據(jù)分析場景中,聚類分析作為 “無監(jiān)督分組” 的核心工具,能從雜亂數(shù)據(jù)中挖 ...
2025-09-10統(tǒng)計模型的核心目的:從數(shù)據(jù)解讀到?jīng)Q策支撐的價值導向 統(tǒng)計模型作為數(shù)據(jù)分析的核心工具,并非簡單的 “公式堆砌”,而是圍繞特定 ...
2025-09-10CDA 數(shù)據(jù)分析師:商業(yè)數(shù)據(jù)分析實踐的落地者與價值創(chuàng)造者 商業(yè)數(shù)據(jù)分析的價值,最終要在 “實踐” 中體現(xiàn) —— 脫離業(yè)務場景的分 ...
2025-09-10