多层神经网络MLP快速入门要点.ppt

神经网络学习交流报告 目录 CONTENTE 神经元模型 1 感知机与多层神经网络 2 应用一：MLP分类器 3 应用二：MLP的3D可视化 4 神经元模型 人工神经网络（ann）是一种计算模型，启发自人类大脑处理信息的生物神经网络。人工神经网络在语音识别、计算机视觉和自然语言理领域取得了一系列突破，让机器学习研究和产业兴奋了起来。 神经网络（neural networks）方面的研究很早就已经出现，今天“神经网络”已是一个相当大的、多学科交叉的学科领域。 神经网络中最基本的成分是神经元（neuron）模型，一般称作「节点」（node）或者「单元」（unit）。节点从其他节点接收输入，或者从外部源接收输入，然后计算输出。每个输入都辅有「权重」（weight，即 w）， 权重取决于其他输入的相对重要性。节点将函数 f（定义如下）应用到加权后的输入总和，如图 1 所示： 神经元模型 还有配有权重 b（称为「偏置（bias）」或者「阈值（threshold）」）的输入 1。 神经元模型 函数 f 是非线性的，叫做激活函数。激活函数的作用是将非线性引入神经元的输出。因为大多数现实世界的数据都是非线性的，我们希望神经元能够学习非线性的函数表示，所以这种应用至关重要。 每个（非线性）激活函数都接收一个数字，并进行特定、固定的数学计算 。在实践中，可能会碰到几种激活函数： Sigmoid（S 型激活函数）：输入一个实值，输出一个 0 至 1 间的值 σ(x) = 1 / (1 + exp(?x)) tanh（双曲正切函数）：输入一个实值，输出一个 [-1,1] 间的值 tanh(x) = 2σ(2x) ? 1 ReLU：ReLU 代表修正线性单元。输出一个实值，并设定 0 的阈值（函数会将负值变为零）f(x) =max(0, x) 神经元模型 将上述情形抽象，就是一直沿用至今的“M-P”神经元模型。在这个模型中，神经元收到来自n个其他神经元传递来的输入信号，这些输入信号通过带权重（w）连接进行传递，神经元接收到的输入值将与神经元的阈值进行比较，然后通过“激活函数”得到神经元的输出。 感知机与多层神经网络 前馈神经网络是最先发明也是最简单的人工神经网络。它包含了安排在多个层中的多个神经元（节点）。相邻层的节点有连接或者边（edge）。所有的连接都配有权重。 感知机与多层神经网络 一个前馈神经网络可以包含三种节点： 1. 输入节点：输入节点从外部世界提供信息，总称为「输入层」。在输入节点中，不进行任何的计算——仅向隐藏节点传递信息。 2. 隐藏节点：隐藏节点和外部世界没有直接联系（由此得名）。这些节点进行计算，并将信息从输入节点传递到输出节点。隐藏节点总称为「隐藏层」。尽管一个前馈神经网络只有一个输入层和一个输出层，但网络里可以没有也可以有多个隐藏层。 3. 输出节点：输出节点总称为「输出层」，负责计算，并从网络向外部世界传递信息。 在前馈网络中，信息只单向移动——从输入层开始前向移动，然后通过隐藏层（如果有的话），再到输出层。在网络中没有循环或回路（前馈神经网络的这个属性和递归神经网络不同，后者的节点连接构成循环）。 感知机与多层神经网络 多层感知器（Multi Layer Perceptron，即 MLP）包括至少一个隐藏层（除了一个输入层和一个输出层以外）。单层感知器只能学习线性函数，而多层感知器也可以学习非线性函数。 感知机与多层神经网络 训练我们的多层感知器 BP算法（backpropagation），反向传播误差算法，是几种训练人工神经网络的方法之一。这是一种监督学习方法，即通过标记的训练数据来学习（有监督者来引导学习）。 由前向传播和后向传播构成。 简单说来，BackProp 就像「从错误中学习」。监督者在人工神经网络犯错误时进行纠正。学习的目的是为分配正确的权重。通过输入向量，这些权重可以决定输出向量。 前向传播：最初，所有的边权重（edge weight）都是随机分配的。对于所有训练数据集中的输入，人工神经网络都被激活，并且观察其输出。 后向传播：这些输出会和我们已知的、期望的输出进行比较，误差会「传播」回上一层。该误差会被标注，权重也会被相应的「调整」。该流程重复，直到输出误差低于制定的标准。 感知机与多层神经网络 上述算法结束后，我们就得到了一个学习过的人工神经网络，该网络被认为是可以接受「新」输入的。 该人工神经网络可以说从几个样本（标注数据）和其错误（误差传播）中得到了学习。 然后我们看一个案例。 感知机与多层神经网络 我们通常在感知器的输出层中使用 Softmax 函数作为激活函数，以保证输出的是概率并且相加等于 1。 Softmax 函数接收一个随机实值的分数向量，转化成多个介于 0 和