人工智能-深度学习概述.pptVIP

IT在线教育领导品牌 EDUCATION TO CREATE A BRIGHT FUTURE 针对感知器网络的这种很难学习的问题，引入S型神经元来代替感知器，从而解 决这个问题。 从感知器模型中，我们可以将单个神经元的计算过程看成下列两个步骤： 先计算权重w和输入值x以及偏置项b之间的线性结果值z：z=wx+b 然后对结果值z进行一个数据的sign函数(变种)转换，得到一个离散的0/1值: y=int((sign(z)+1)/2) 在S型神经元中，和感知器神经元的区别在于： 对于结果值z的转换，采用的不是sign函数进行转换，是采用平滑类型的函数进行转 换，让输出的结果值y最终是一个连续的，S型神经元转指使用的是sigmoid函数。 * 感知器网络理解以及S型神经元 IT在线教育领导品牌 EDUCATION TO CREATE A BRIGHT FUTURE 神经网络来源之“神经元” 输入：x1、x2、x3和截距+1 输出：函数hw,b(x)，其中w权重和b偏置项是参数 ? ? ? ?? ? ?? ? 3 ? i?1 T Wi xi ? b ? ? x f W x, b f ? hW ,b 注意：函数f被称为“激活函数”；常用/最好出现激活函数有sigmoid(逻辑 回归函数)和tanh(双曲正切函数) sigmoid ?z?? f ?z?? 1? e? z 1 ；f ??z?