【吴恩达机器学习】第四周—前馈神经网络

31.jpg

1. 神经元

1.1 神经元

为了构建神经网络模型,我们需要首先思考大脑中的神经网络是怎样的?每一个神经元都可以被认为是一个处理单元/神经核(processing unit/Nucleus),它含有许多输入/树突(input/Dendrite),并且有一个输出/轴突(output/Axon)。神经网络是大量神经元相互链接并通过电脉冲来交流的一个网络。

1.png
1.png

1.2 神经元间的沟通

神经元之间通过电信号进行沟通(微弱的电流)。所以如果神经元想要传递一个消息,它就会就通过它的轴突,发送一段微弱电流给其他神经元的树突。
接收到信号的神经元会对消息进行处理,处理后可能会通过自己的轴突再将信息传递出去给其他神经元。这就是神经元之间信号传递的简要概述。

2. 神经网络

神经网络是模仿大脑神经元,建立的模型。模型中的每个神经元都是一个单独的【学习模型】,这些神经元也叫做激活单元(activation unit)

2.1 Sigmod神经元

以下示例为逻辑回归模型中常用的,sigmoid神经元的简单示例:

2.png
2.png
中间的神经元(激活单元)是一个sigmoid函数,它将左边输入的和参数θ相乘后作为输入,经过自身的计算得到结果,在神经网络中,参数又可被成为权重(weight)

2.2 三层神经网络和前向传播算法

在Sigmod神经元的基础上,我们可以设计出一个简单的三层神经网络:

3.png
3.png
作为神经网络的第一层,被称为输入层(Input Layer),输入层中的每个节点即输入单元,每个输入单元即包含着原始的输入值,作为中间单元,构成了神经网络的第二层,也称为中间层/隐藏层(Hidden Layers),他们的作用是:负责将数据进行处理,然后呈递到下一层;最后一层被称为输出层(Output Layer)
神经网络模型中,通常只有一个输入层,一个输出层,中间层/隐藏层可以有任意多个。所有层加起来构成了整个神经网络模型。每一层的输出变量都是下一层的输入变量。

对于上述模型,给每一层添加偏差单位(bias unit)后,图像如下:

5.png
5.png
中间层激活单元的表达式:
4.png
4.png
代表第i层的第j个激活单元;
右上角 j 代表是从第j层映射到第 j + 1层时权重的矩阵;
右下角mn代表该参数在θ矩阵中的位置
其中,θ 矩阵的形态m = 第 j + 1层激活单元数 ;n = 第 j 层激活单元数 + 1。

例如:\theta_{mn}^{(1)} 第一层θ参数矩阵的形态3 x 4
m = 第二层激活单元数 = 3;n =第一层激活单元数 3 + 1 = 4
\theta_{mn}^{(2)} 第二层θ参数矩阵的形态1_ x 4_
m = 第三层激活单元数 = 1;n =第二层激活单元数 3 + 1 = 4
输出层表达式:

6.png
6.png

总表达式:
x,\theta,\alpha 分别用矩阵表示,我们可以得到:X\theta = \alpha
X = \begin{Bmatrix} x_0\\x_1\\x_2\\x_3 \end{Bmatrix} ,\theta = \begin{Bmatrix} \theta_{10} & \theta_{11} & \theta_{12} &\theta_{13} \\ \theta_{20} &..&..&.. \\ \theta_{30} &..&..& \theta_{33} \end{Bmatrix},\alpha = \begin{Bmatrix} \alpha_1\\\ \alpha_2\\ \alpha_3 \end{Bmatrix}
从式子里可以看出,对于每个a_i都依赖上层的x以及x对应的参数θ,这样从左至右逐级依赖的算法模型,称为:前向传播算法( FORWARD PROPAGATION )

2.3 神经网络的优势

从2.2节我们可以看到,位于神经网络模型输出层的预测函数可以写作:​
image

我们可以把 a_0, a_1, a_2, a_3 看成更为高级的特征值,也就是x_0, x_1, x_2, x_3的进化体,虽然他们是由x决定的,但由于是梯度下降的,所以a是变化的,并且变化的越来越厉害,所以这些高级的特征值比普通的逻辑回归/线性回归模型中仅仅将x次方厉害,也能更好地预测新数据。
从本质上来讲,神经网络能够通过学习得出其自身的一系列特征。在普通的逻辑回归中,我们被限制为使用数据中的原始特征x_1, x_2... x_n.我们虽然可以使用一些二项式项来组合这些特征,但是我们仍然受到这些原始特征的限制。在神经网络中,原始特征只是输入层,在我们上面三层的神经网络例子中,第三层也就是输出层做出的预测利用的是第二层的特征,而非输入层中的原始特征,我们可以认为第二层中的特征是神经网络通过学习后自己得出的一系列用于预测输出变量的新特征。
这就是神经网络模型相比于逻辑回归和线性回归的优势。

3.样本和直观理解

我们可以用一个单一的激活单元 + 不同的权重即可描三种二元逻辑运算符(BINARY LOGICAL OPERATORS):逻辑与(AND)、 逻辑或(OR)、逻辑非(NOT)
我们只需要将假设函数h_\theta(x)使用Sigmoid函数即可:
h_\theta(z) = g(z) = \frac{1}{1+e^{-z}}

7.png
7.png

从而:

要想实现逻辑与AND,我们可以设置\theta_0,\theta_1,\theta_2分别 = -30,20,20,表达式h_\theta(x) = g(-30 + 20x_1 + 20x_2)

要想实现逻辑或OR,可以设置\theta_0,\theta_1,\theta_2分别 = -10,20, 20,h_\theta(x) = g(-10 + 20x_1 + 20x_2)要想实现逻辑非NOT,更简单,只需要一个输入即可。可以设置\theta_0,\theta_1分别 = 10,-20,h_\theta(x) = g(10 - 20x_1)

4.多类分类

当我们要用神经网络模型来实现多分类,譬如训练一个模型来识别路人、汽车、摩托车和卡车。那么神经网络模型改如何构成?
假设我们的输入有三个维度、输出根据上述可知有4个分类,并且是4个互斥的分类。那么我们的神经网络模型可以设计成如下的形状:

8.png
8.png
即总共4层、中间有两层隐藏层的网络结构。结果是4 x 1维矩阵。
我们可以用
、、、
来分别表示输出:路人、汽车、摩托、卡车。

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,817评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,329评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,354评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,498评论 1 284
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,600评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,829评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,979评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,722评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,189评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,519评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,654评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,940评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,762评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,993评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,382评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,543评论 2 349

推荐阅读更多精彩内容