Python 深度學習 - 基礎知識

在本章中，我們將瞭解 Python 深度學習的基礎知識。

深度學習模型/演算法

現在讓我們瞭解一下不同的深度學習模型/演算法。

深度學習中的一些流行模型如下 -

• 卷積神經網路
• 迴圈神經網路
• 深度信念網路
• 對抗生成網路
• 自動編碼器等

輸入和輸出表示為向量或張量。例如，神經網路可能有輸入，其中影像中的單個畫素 RGB 值表示為向量。

位於輸入層和輸出層之間的神經元層稱為隱藏層。當神經網路試圖解決問題時，大多數工作會在這裡進行。仔細觀察隱藏層可以揭示網路已學會從資料中提取的特徵。

透過選擇哪些神經元連線到下一層中的其他神經元，形成神經網路的不同架構。

用於計算輸出的虛擬碼

以下是如何計算前向傳播神經網路的輸出的虛擬碼 -

• # node[] := 拓撲排序節點的陣列
• # 從 a 到 b 的邊表示 a 在 b 的左側
• # 如果神經網路有 R 個輸入和 S 個輸出，
• # 那麼前 R 個節點是輸入節點，最後 S 個節點是輸出節點。
• # incoming[x] := 連線到節點 x 的節點
• # weight[x] := x 的傳入邊的權重

對於每個神經元 x，從左到右 -

• if x <= R: do nothing # 它是一個輸入節點
• inputs[x] = [output[i] for i in incoming[x]]
• weighted_sum = dot_product(weights[x], inputs[x])
• output[x] = Activation_function(weighted_sum)