利用神經網路，採用合適的權重來實現邏輯電路中的與、或、非門等的實際計算
多個各種功能的神經元的疊加計算，有點類似agent的思想，將不同功能的單位組合起來實現同一目的
處理多種分類問題的模型，神經網路的優勢個人目前感覺就是我只需要收集簡單的資料資訊，神經網路自己進行挑選，計算，最終給出我們想要的結果，中間的權重可以通過反饋來自我修正。不過個人感覺，有點像黑匣子，因為裡面的神經元過多，各自的權重我們其實很難知道，這就造成了不確定性。例如將來人工智慧他選擇如何對待人類，我們其實是不知道的，對人類的看法的·權重不清楚。突然感覺人類個性差異好像和神經元權重不同有關係啊，因為環境的訓練樣本不同，造就了權重大小差異，也就造成了社會的多樣性。我可以研究人類學了……
神經網路 學習（2）
初始化，不能一開始全部全設成0，因為這樣的話，隱層結點就會變得全部一樣，體現不出神經網路多層多結點的優越性。咦 如果層數很多的話，超過三層，那麼有個潛規則就是中間的幾層的隱節點數一般都是一樣大小 隱節點數稍微大點輸入結點個數這個是極好的。下面就是幾個步驟 第一步，隨機化引數 第二步，前向得到乙個結果...
淺層神經網路 2
搭建乙個神經網路時，你可以選擇隱藏層中或者輸出層中使用什麼啟用函式 actuation function 到目前為止，我們一直使用的是sigmoid函式，但其他函式效果會更好。在實際訓練中，有個函式表現總是比sigmoid好，叫tanh 雙曲正切函式 它的輸出是 1,1 從數學上，它其實是sigmo...
搭建神經網路2
神經網路共有幾層 或當前是第幾層網路 都是指的計算層，輸入不是計算層，所以a為第一層網路，a是乙個一行三列矩陣。我們把每層輸入乘以線上的權重w,這樣用矩陣可以計算出y了。a tf.matmul x,w1 y tf.matmul a,w2 由於需要計算結果，就要用with結構實現，所有變數初始化過程 ...