首页 机器学习 强化学习 决策支持 预测模型 深度学习

当前位置:首页 > 神经网络 > 神经网络算法举例

神经网络算法举例

发布时间:2024-07-02 14:16:16 作者:丶绝望的战斗机i
⓵简单介绍神经网络算法神经网络算法简明简介
神经元:是神经网络的基本单位。 神经元接收输入,执行一些数学运算,然后产生输出。
神经元内部的输入经过3步数学运算。
两个输入首先乘以权重:
权重指某一因素或指标相对于某事物的重要性,不同于总体比例,它不仅反映某一因素或指标所占的百分比,而且强调该因素或指标的相对重要性

x1→x1×w1
x2→x2×w2
将两个结果相加并添加位移:
(x1×w1)+(x2×w2)+b
最后经过激活函数处理得到输出:
y=f(x1×w1+x2×w2+b)
激活函数的作用是将无约束的输入转换为可预测的输出形式。 常用的激活函数是sigmoid函数
sigmoid函数的输出在0到1之间,我们可以理解为它把(−∞,+∞)范围内的数字压缩到(0,1)之内。 正值越大,输出越接近1,负值越大,输出越接近0。
神经网络:神经网络是一组连接起来的神经元一起
隐藏层是放置在输入层和输出层之间的部分,是多个隐藏层。
前馈是指将神经元的输入向前传输以接收输出的过程
神经网络训练实际上是一个使损失最小化的优化过程
损失是判断神经网络训练情况的一个标准
损失可以通过均方误差来确定
均方误差反映了估计器与估计量A尺度的差异措施。 假设t是根据子样本确定的总体参数θ的估计量。 (θ-t)2的数学期望称为估计量t的均方误差。 它等于σ2+b2,其中σ2和b分别是t的方差和偏差。
预测值是根据一系列网络权重和偏差计算出的值
反向传播是计算反向偏导数的系统
前向传播传播算法是一种从前向到后向进行的算法