(因后文学术性较强,部分内容参见吴恩达在斯坦福大学的讲义)
与世无争的吴恩达老师
本篇内容:神经网络算法的模型表示
通过本篇的学习您将了解到神经网络模型的数学结构
有一定数据结构基础的同学可以尝试用C/C++搭建模型
网络模型的仿生原理
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。
下面是一组神经元的示意图,神经元利用微弱的电流进行沟通。这些弱电流也称作动作电位,其实就是一些微弱的电流。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,这就是轴突。
这里是一条连接到输入神经,或者连接另一个神经元树突的神经,接下来这个神经元接收这条消息,做一些计算,它有可能会反过来将在轴突上的自己的消息传给其他神经元。这就是所有人类思考的模型:我们的神经元把自己的收到的消息进行计算,并向其他神经元传递消息。这也是我们的感觉和肌肉运转的原理。如果你想活动一块肌肉,就会触发一个神经元给你的肌肉发送脉冲,并引起你的肌肉收缩。如果一些感官:比如说眼睛想要给大脑传递一个消息,那么它就像这样发送电脉冲给大脑的。
神经网络的模型表示
神经网络模型建立在很多神经元之上,每一个神经元又是一个个学习模型。这些神经元(也叫激活单元,activation unit)采纳一些特征作为输出,并且根据本身的模型提供一个输出。下图是一个以逻辑回归模型作为自身学习模型的神经元示例,在神经网络中,参数又可被成为权重(weight)。
我们设计出了类似于神经元的神经网络,效果如下:
左侧的 x1,x2,x3 是输入单元(input units),我们将原始数据输入给它们。
中间单元a1(2),a2(2),a3(2),它们负责将数据进行处理,然后呈递到下一层。
这里的数据处理其实就是逻辑回归的方法,比如a1(2)代表第二层神经元的第一个,它的值由上一层神经元和对应参数构成,可以看到,a1(2)通过三条线连接了左侧的神经元x1,x2,x3,每一条线其实就是一个参数值,它的深层含义是:该神经元对于下一层的对应神经元的影响力
从中间层开始每一个神经元都是上一层神经元们逻辑回归的结果,以及下一层逻辑回归的特征值
最后是输出单元,它负责计算。
神经网络模型是许多逻辑单元按照不同层级组织起来的网络,每一层的输出变量都是下一层的输入变量。下图为一个3层的神经网络,第一层成为输入层(Input Layer),最后一层称为输出层(Output Layer),中间一层成为隐藏层(Hidden Layers)。我们为每一层都增加一个偏差单位(bias unit):
下面引入一些标记法来帮助描述模型:
ai(j) 代表第 j 层的第 i 个激活单元。theta(j) 代表从第 j 层映射到第 j+1 层时的权重的矩阵,例如 theta(1) 代表从第一层映射到第二层的权重的矩阵。其尺寸为:以第 j+1 层的激活单元数量为行数,以第 j 层的激活单元数加一为列数的矩阵。例如:上图所示的神经网络中 theta(1) 的尺寸为 3*4。
对于上图所示的模型,激活单元和输出分别表达为:
上面进行的讨论中只是将特征矩阵中的一行(一个训练实例)喂给了神经网络,我们需要将整个训练集都喂给我们的神经网络算法来学习模型。
我们可以知道:每一个 a 都是由上一层所有的 x 和每一个 x 所对应的权重 theta 决定的。
(我们把这样从左到右的算法称为前向传播算法( FORWARD PROPAGATION ))
前向传播算法( FORWARD PROPAGATION ) 相对于使用循环来编码,利用向量化的方法会使得计算更为简便。以上面的神经网络为例,试着计算第二层的值:
这只是针对训练集中一个训练实例所进行的计算。如果我们要对整个训练集进行计算,我们需要将训练集特征矩阵进行转置,使得同一个实例的特征都在同一列里。即:
为了更好了了解Neuron Networks的工作原理,我们先把左半部分遮住:
右半部分其实就是以, 按照Logistic Regression的方式输出:
logistic regression ——逻辑回归
我们可以 a0,a1,a2,a3 把看成更为高级的特征值,也就是 x0,x1,x2,x3 的进化体,并且它们是由 x 与 theta 决定的,因为是梯度下降的,所以是变化的,并且变得越来越厉害,所以这些更高级的特征值远比仅仅将 次方厉害,也能更好的预测新数据。
这就是神经网络相比于逻辑回归和线性回归的优势。
~o给喜欢机器学习的同学们的福利o~
《斯坦福大学吴恩达机器学习讲义》