常規的神經網路我們可以知道包括：輸入層，隱藏層，輸出層
如：傳播過程為：h=x*w1+b1；y=h*w2+b2
需要注意：一系列線性方程的運算最終都可以用乙個線性方程表示。也就是說，上述兩個式子聯立後可以用乙個線性方程表達。對於兩次神經網路是這樣，就算網路深度加到100層，也依然是這樣。這樣的話神經網路就失去了意義。因此引入了啟用層
常用的啟用函式有三種，分別是階躍函式、sigmoid和relu
輸出的結果是值得表達，我們想讓最終的輸出為概率，不僅可以找到最大概率的分類，而且可以知道各個分類計算的概率值，這部分操作稱為softmax
操作如下：
其中 i 為輸出值，si 為 i 的概率。
常規的處理過程：對數的負數， 即：
我們訓練神經網路的目的，就是盡可能地減少這個「交叉熵損失」。
因此乙個常規的神經網路模型如下：
神經網路總結：
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路（1）
一 什麼是神經網路 神經網路模型 knn 於生物體的神經系統，是一組連線的輸入 輸出單元，每個連線都與乙個權重相關聯。神經網路模式可以學習資料的特點，訓練的資料不同，產生的模型不同。應用場景 不知道用什麼數學模型合適 知道應用什麼模型但不知道模型複雜度時可以使用。比如要做分類問題，但屬於非線性的切分...