多层感知机理解(多层感知机原理)

全栈程序员-站长 • 2022年4月11日下午12:20 • 未分类 • 阅读 375

多层感知器(Muti-LayerPercetron)和卷积网络(ConvolutionalNeuralNetwork)。这两种网络都属于前馈型网络(Feedforwardnetwork)，其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构，它是所有其他神经网络结构的基础，好在我对神经网络的了解是从卷积神经网络开始的，对基本的原理和模型已经有了了解，所以学习起来相对容易，先看多层感知机的模型：1.网络的连接及输出：1.最左边就是我们的输入层了，算是网络的第0层，通常是一个向量x:

大家好，又见面了，我是你们的朋友全栈君。

一.网络的原理和结构

多层感知器(Muti-Layer Percetron)和卷积网络(Convolutional Neural Network)。这两种网络都属于前馈型网络(Feedforward network)，其中多层感知器(MLP)是最简单也是最常见的一种神经网络结构，它是所有其他神经网络结构的基础，

好在我对神经网络的了解是从卷积神经网络开始的，对基本的原理和模型已经有了了解，所以学习起来相对容易，先看多层感知机的模型：

如何设计一个网络，输入代表像素的值，输出0-9之间的一个正确的数字

先把神经元当做数字

每个神经元里面是我们要提取的特征值，即像素的灰度值，0表示纯黑，1 表示纯白
在这里插入图片描述

这784个神经元组成了第一层，即神经网络的输入层

网络的最后一层是输出层，输出的是可能的概率，哪个概率最大，就代表识别的结果是哪个数字
在这里插入图片描述

网络的中间是隐藏层，包含这一些算法

比如网络的第三层，我们已经提取到局部的特征，只需要考虑将局部特征组合起来有多少可能组成某一个数字
在这里插入图片描述

那再往前推，前面的一层网络就要能提取出更小的局部特征，把他们组合起来

通过权重值w，来提取我们关注的区域的值

在这里插入图片描述
这个加权和，再通过激活函数映射到[0,1]的区间

在这里插入图片描述
而通过偏置值，控制加权和不过早的激发

将加权和减去一个数，不让不必要的神经元激活，
在这里插入图片描述
权重代表我们关注什么样的图案，而偏置值代表加权和有多大激活神经元才有意义

在网络的第二层，每一个神经元都和上一层的784个神经元保持全连接
在这里插入图片描述

每个神经元都带一个权重和偏置值

用向量表示

所以，网络中每一个神经元更像一个函数，接收输入，输出0-1的值
在这里插入图片描述

进而整个网络也可以看成一个函数，接收输入，输出一个结果
在这里插入图片描述

在这里插入图片描述

二.网络如何学习

在网络训练的时候，我们需要定义一个代价函数，来告诉网络与正确值的差距
定义正确值1，其他为0，将网络输出的结果与实际结果相减，再将他们差的平方加起来，得到一个损失值

在这里插入图片描述

代价函数输出单个数值，来评价整个网络中的权重和偏置值与正确结果的差距
在这里插入图片描述
网络需要知道如何调整这些输入参数使输出接近正确的结果

以二维图像为例

随便选一个输入值，然后考虑向左还是向右
在这里插入图片描述

计算斜率，斜率为正，表示函数是上升，那么我们梯度的反方向即向左

斜率为负，表示梯度是下降的，我们继续往右找到最低点
在这里插入图片描述

在每一点这样重复的计算斜率，直到找到局部最低点

在三维空间如何计算
在这里插入图片描述
同样也是计算梯度，沿梯度的反方向下降一小步

在这里插入图片描述

梯度如何计算：

梯度，就是封装了所有偏导的向量
在这里插入图片描述

在这里插入图片描述

这样我们就有了一个权重向量和一个反向梯度向量

将两个向量的对应的每一项相加，得到新的权重，再更新权重，如此循环

同时，代价值的绝对值表示每个w和B的重要程度

假如有一个函数的在点[1,1]的梯度向量是 $\begin{bmatrix} 3\\1\\ \end{bmatrix}$

在这里插入图片描述
也可以理解为改变x对函数影响更大

在这里插入图片描述

这样来看，网络的代价函数是把权重和偏置作为输入

在这里插入图片描述

三.反向传播法

通过代价函数我们得到了误差值

然后需要把所有样本的误差值平均值

在这里插入图片描述

我们求出的负梯度，同时反映了代价函数值的重要程度，
在这里插入图片描述
比如样本2，网络输出的值与正确的值差距较大，如何增大这个输出呢
多层感知机理解(多层感知机原理)
如何让这个结果变大

我们知道这个结果是上一层的输出+权重+偏置再通过激活函数得到的

那么有三个方法

*增大上一层的输出

*增加权重

*增加偏置值

在这里插入图片描述
如何增加权重

比较亮的神经元，对应的权重对结果影响相对更大，所以增加相对亮的神经元，训练的效率会更高

所以当反向传播的时候，不仅要看高边哪些权重，还要看改变那些权重性价比高
在这里插入图片描述
如何改变上一层的输出

和更改权重一样，如果我们需要结果更大的时候，依据权重的大小，对上一层的结果做出呈比例的改变
在这里插入图片描述
结果2期待上一层的值如何改变，比如增大

结果3期待上一层的值如何改变，比如减小

…

我们把这些期待全部加起来，作为如何改变上一层的值的指示

如此往复循环，达到训练的效果

这就是反向传播的理念
在这里插入图片描述

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请联系我们举报，一经查实，本站将立刻删除。

发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/128227.html原文链接：https://javaforall.net

赞 (0)

全栈程序员-站长

0 0

python中modulenotfounderror_esxi安装报错

python中modulenotfounderror_esxi安装报错1.下载安装包https://www.python.org/ftp/python/该目录下选择所需要的版本进行下载、解压。wgethttps://www.python.org/ftp/python/3.7.1/Python-3.7.1.tgztar-xzvfPython-3.7.1.tgz2.二进制文件安装　　1.创建存放目录mkdir/usr/l…

全栈程序员-站长
2022年9月2日
2
客户端timewait

客户端timewaitSocket中的TIME_WAIT状态在高并发短连接的server端，当server处理完client的请求后立刻closesocket此时会出现time_wait状态然后如果client再并发2000个连接，此时部分连接就连接不上了,用linger强制关闭可以解决此问题，但是linger会导致数据丢失，linger值为0时是强制关闭,无论并发多少多能正常连接上,如果非0会发生部分连接不上…

全栈程序员-站长
2022年6月5日
37
Java枚举详解

Java枚举详解枚举是一个被命名的整型常数的集合，用于声明一组带标识符的常数。枚举在曰常生活中很常见，例如一个人的性别只能是“男”或者“女”，一周的星期只能是7天中的一个等。类似这种当一个变量有几种固定可能的取值时，就可以将它定义为枚举类型。在JDK1.5之前没有枚举类型，那时候一般用接口常量来替代。而使用Java枚举类型enum可以更贴近地表示这种常量。声明枚举声明枚举时必须使用enu…

全栈程序员-站长
2022年6月4日
27
Android源码学习之环境搭建（Ubuntu下载Android源码）

Android源码学习之环境搭建（Ubuntu下载Android源码）已经有一个多月没有看Android的知识了，之前在杭州时就买了邓凡平的《深入理解Android卷I》一直没来得及研究。后来因为公司要求，要为新的项目做准备，做各种业务的KT和技术的training,虽然新技术本身的难度不大，但是业务知识很是复杂，搞的头大，到现在终于有了一些头绪。趁现在有时间来研究下Android的源码。之前没有接触过Linux系统，我的本本现在用的是Windows系统，已经用习

全栈程序员-站长
2022年5月6日
38
Java中如何将int 类型转换为 Long类型

Java中如何将int 类型转换为 Long类型版权声明：本文由施勇原创，转载请注明作者和出处！ https://blog.csdn.net/shiyong1949/article/details/52687955Longl=(Long)3;1很多同学可能会用上面的方法将int类型转换为Long类型，但事实上这样是不可行的。因为Long是包装类，而int是值类型数据，两者是不能这样强转的。longl=(long)3;…

全栈程序员-站长
2022年5月3日
2.0K
在类中，调用这个类时，用$this->video_model是不是比每次调用这个类时D(‘Video’)效率更高呢…

在类中，调用这个类时，用$this->video_model是不是比每次调用这个类时D(‘Video’)效率更高呢…

全栈程序员-站长
2021年11月3日
45

发表回复

关注全栈程序员社区公众号