在现在的人工智能领域,数据挖掘类的算法大致可以分为两类,第一种是机器学习算法,第二种是深度学习算法。深度学习算法,可以叫做深度神经网络算法。神经网络的结构可以如下图所示:
上图中每个圆圈都是一个神经元,每条线叫神经元的链接。
上图中神经元可以分为三层,层与层直接有神经元连接,层内无神经元连接。最左边的层叫输入层。最右边的层叫输出层。输入层和输出层直接的叫隐藏层。
深度神经网络:隐藏层大于2的神经网络。
深度网络和宽度网络的区别:
(1)一个仅有一个隐藏层的神经网络就能拟合任何一个函数,但是它需要很多很多的神经元。
(2)而深层网络用少得多的神经元就能拟合同样的函数。也就是为了拟合一个函数,要么使用一个浅而宽的网络,要么使用一个深而窄的网络。而后者往往更节约资源。
感知器: 也叫感知机,也叫神经元,神经网络的基本组成单元。
感知器的定义:
可以看到,一个感知器有如下组成部分:
前面的权重项和偏置项的值是如何获得的呢?这就要用到感知器训练算法:将权重项和偏置项初始化为0,然后,利用下面的感知器规则迭代的修改
和
,直到训练完成。
(公式1)
(公式2)
其中:
是输入
对应的权重项。
是偏置项。
是训练样本的实际值,也就是label。
是感知器的输出值。
是学习率的常数。