大数据及机器学习专题(2)——改良后的神经细胞模型与神经网络的拓扑结构

上一讲我们用θ函数来表示神经元细胞的状态表达式,且假定神经元细胞的输入和输出都只能取离散的两个值:和1。即

这次,我们把(1)进行扩展。首先,我们假定神经元细胞的状态表达式不一定取函数的形式,以一个连续可导的函数f(x)取代之,与之相应的,神经元细胞的输入输出也不一定非要取和1两个值,可以在某个区间连续地取值。

f(x)具体取什么形式,常见的有以下三种方案:

方案1:f(x)取Sigmoid函数

方案2:f(x)取双极性S函数

方案3:f(x)取分段线性变换函数

方案3中将f(x)写成分段函数的形式是为了进一步增加神经网络的非线性特征。

有了神经细胞模型后,我们就要考虑以何种方式将这些神经元细胞连接起来,这就引出了神经网络拓扑结构的问题。

神经网络的结构可分为层次型和互连型,但是在这里,我们只介绍最简单、最常用的单纯性层次网络结构。其具体结构如下:

从图中我们看出,神经网络自下而上可以大致分为:输入层、隐藏层和输出层。输入层负责接收输入并发送至隐藏层,输出层则接收来自隐藏层的中间结果,通过处理输出给用户。处在输入层和输出层之间的即是隐藏层,隐藏层接收输入层的输出,经过处理后传递给输出层。隐藏层可以是一层,也可以是多层,甚至没有隐藏层神经网络也可以工作。显然,隐藏层数目越多,网络越复杂,神经网络处理数据的能力也就越强大。

欢迎关注计算材料学

您的关注和分享是我们更新的不竭动力

此外,对机器学习或者大数据感兴趣的同学可以加入微信群“机器学习的实际应用”,想要加群的人可以加我微信

如果有什么问题,也可加我的微信

  • 发表于:
  • 原文链接http://kuaibao.qq.com/s/20171214G0C9NP00?refer=cp_1026
  • 腾讯「云+社区」是腾讯内容开放平台帐号(企鹅号)传播渠道之一,根据《腾讯内容开放平台服务协议》转载发布内容。
  • 如有侵权,请联系 yunjia_community@tencent.com 删除。

扫码关注云+社区

领取腾讯云代金券