经验整理 神经网络基础知识

整体架构

输入和输出可以是集合类型，里面包含许多参数

反复迭代

反复迭代，逐渐修正误差，使预测值逼近真实值

误差值 = 期望值 - 实际值

多分类器并存

当前分类器 1 和 2 都是可以正常工作的，后续需要通过不断加入数据，来对分类器进行迭代调优

训练样本可能包含噪声和错误，要清洗训练样本。

激活函数

输入达到阈值时，才能激发神经元。

简单神经网络 与 矩阵乘法

X = W * I

输出 1 = 阈值函数(输入 1*权重 1,1+输入 2*权重 2,1)

输出 2 = 阈值函数(输入 1*权重 1,2+输入 2*权重 2,2)

三层神经网络

X_hidden = W_input_hidden * I

O_hidden = sigmoid(X_hidden)

X_output = W_hidden_output* O_hidden

O_output = sigmoid(X_output)

误差反向传播

误差_hidden1 = 输出误差 1 * W_ho1,1 / (W_ho1,1 + W_ho2,1) + 输出误差 2 * W_ho1,2 / (W_ho1,2 + W_ho2,2)

备注

欢迎各位同学一起来交流学习心得！