多层感知器 MLP
MLP是一种前向结构的人工神经网络，映射一组输入向量到一组输出向量。MLP可以被看作是一个有向图，由多个节点层组成，每一层连接到下一层
- 解决的问题：分类问题
- MLP是神经网络中最基础、最简单的
- 其余神经网络还有
- 误差反向传播神经网络(BP)
- 卷积神经网络(CNN——用于图像识别)
- 时间递归神经网络(LSTM——用于语音识别)
12.1 神经网络的结构
- 输入层
- 隐层
- 输出层
- 不同层之间不是全连接的
- 全连接：上一层的任何一个神经元与下一层的所有神经元都有连接
; 12.2 神经网络的训练和学习
神经网络的三个基本要素
- 权重
- 神经元之间的连接强度由权重表示，权重的大小表示可能性的大小
- 偏置(阈值)
- 偏置的设置是为了正确分类样本，是模型中的重要参数
- 保证通过输入算出的输出值不能随便激活
- 激活函数
- 起非线性映射的作用，可以将神经元的输出幅度限制在一定范围内，一般限制在(-1,1)或(0,1)之间。
- 最常用的激活函数是Sigmoid函数，可将(-∞，+∞)的数映射到(0,1)
- tanh也属于激活函数，映射到(-1,1)
- 下层单个神经元的值与上层所有输入之间的关系
- 注意：在最后需要减掉偏置(阈值)，以排除掉一些不符合条件的上层输入
- 识别过程(以数字识别为例)：
- 读取图片，以像素点为单位分解
- 归一化每个像素点的灰度值，如果值越大就越亮，值越小就越暗
- 将每行像素点拼接成一维作为这张图片的 特征
- 输出由10个神经元组成，分别表示(0-9)十个数字，每个神经元的值也在(0-1)之间表示灰度
- 神经元的值越大表示输入经判断后是该数字的可能性越大，作为结论
- 如图有两个隐层，每个隐层有16个偏置
- 那么总共需要 784×16 + 16×16 + 16×10 = 13002个参数，也就是每条边的权值
- 神经网络的学习也就是通过训练集来不断训练得到更加合适的权值(参数)和偏置(阈值)
Original: https://blog.csdn.net/qq_51256566/article/details/122355237
Author: 图南zzz
Title: 深度学习—— 多层感知器 MLP
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/618181/
转载文章受原作者版权保护。转载请注明原作者出处！