前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >Andrew Ng机器学习课程笔记--week4(神经网络)

Andrew Ng机器学习课程笔记--week4(神经网络)

作者头像
marsggbo
修改2019-08-19 15:08:55
6060
修改2019-08-19 15:08:55
举报
文章被收录于专栏:AutoML(自动机器学习)

Neural Networks: Representation

一、 内容概要

  • Neural Network
    • Model Representation 1
    • Model Representation 2
  • Applications
    • Examples and Intuitions 1
    • Examples and Intuitions 2
    • Multiclass Classification

二、重点&难点

1. Neural Network

1)Model Representation 1

首先需要明确一些符号的意思,以方便后面的阅读。

αi(j):表示第j层的第i个激活单元(activation) θ(j) :表示第j层映射到第j+1层的控制函数的权重矩阵。

如图是一个三层结构的神经网络(输入层,隐藏层、输出层),每一层的激活单元的计算表达式图中也已经写出来了。 还需要注意的是:

若神经网络在第j层有sj个单元,在j+1层有sj+1个单元,则θ(j)矩阵的维度是(sj+1,sj),之所以要加1是因为输入层和隐藏层都需要加一个bias。

如下图,θ(1)的维度是(4, 3)

2) Model Representation 2

在上面内容的基础上我们继续抽象化,向量化,使得神经网络计算表达式看起来更加简洁(但是更加抽象了。。。)

突然发现Coursera上的数学公式是可以复制的。。。。简直不要太舒服,终于不用自己敲键盘了。。。问我方法?右键即可。

  • 神经网络结构示例
  • 向量化 $z_k^{(j)}$ 来向量化g()函数内的值,例如 $z_k^{(2)} = \Theta_{k,0}^{(1)}x_0 + \Theta_{k,1}^{(1)}x_1 + \cdots + \Theta_{k,n}^{(1)}x_n$ $$\begin{align*}a_1^{(2)} = g(z_1^{(2)}) \newline a_2^{(2)} = g(z_2^{(2)}) \newline a_3^{(2)} = g(z_3^{(2)}) \newline \end{align*}$$ - z与α的关系 $$z^{(j)} = \Theta^{(j-1)}a^{(j-1)}$$ $$a^{(j)} = g(z^{(j)})$$ $$h_\Theta(x) = a^{(j+1)} = g(z^{(j+1)})$$

2. Applications

1)神经网络实现简单的与或非 这里只简单记录一下 或(or) & 非(not)

or
or
not
not
代码语言:txt
复制
                            <br><br><hr> <footer style="color:white;;background-color:rgb(24,24,24);padding:10px;border-radius:10px;"> <h3 style="text-align:center;color:tomato;font-size:16px;"> <b>MARSGGBO</b><b style="color:white;"><span style="font-size:25px;">&hearts;</span>原创</b> <br> <br> <b style="color:white;">  2017-8-3  </b> </h3> </footer>
本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2017-08-25 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、 内容概要
  • 二、重点&难点
    • 1. Neural Network
      • 1)Model Representation 1
      • 2) Model Representation 2
    • 2. Applications
      • 1)神经网络实现简单的与或非 这里只简单记录一下 或(or) & 非(not)
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档