資料結構
網路
關係資料庫管理系統
作業系統
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 程式設計
C++
C#
MongoDB
MySQL
Javascript
PHP
物理學
化學
生物學
數學
英語
經濟學
心理學
社會學
時尚研究
法律研究在機器學習的深度學習中，神經網路中的層是什麼？
神經網路可以包含任意數量的神經元。這些神經元以相互連線的層的形式組織。輸入層可用於表示資料集和資料上的初始條件。
例如，假設輸入是灰度影像，則輸入層中每個神經元的輸出將是影像中每個畫素的強度。
這就是我們不將輸入層視為神經網路中其他層的一部分的原因。當我們提到一個 1 層網路時，我們實際上指的是一個包含一個單層（輸出層）和附加的輸入層的簡單網路。
我們之前已經看到輸出層可以有一個神經元。但有些情況下，輸出層也可以有多個神經元。
輸出層有多個神經元的情況在分類中很有用，因為每個輸出神經元都代表一個類別。
考慮修改後的國家標準與技術研究所 (MNIST) 資料集的示例。
我們可以輸出多個（在本例中為 10 個）神經元，其中每個神經元對應於 0 到 9 之間任何數字的某個數字。
這樣，1 層神經網路也可以用於對每個影像上的數字進行分類。
這可以透過獲取具有最高啟用函式值的輸出神經元來完成。如果最高啟用函式值位於 y5 上，我們可以理解網路將顯示的影像解釋為數字 5。
神經網路中一層的神經元可以連線到其他層的神經元，但不能連線到同一層中的其他神經元。
首先，組織神經元成層有什麼必要？
一個原因是神經元傳遞的資訊有限（只有一個值）。但是，當層中的神經元組合在一起時，它們的輸出會產生一個向量。現在可以考慮整個向量，而不是單個啟用。這樣，可以傳遞更多資訊。這是因為向量包含多個值，並且向量中值的相對比率攜帶元資料。
更新於： 2020 年 12 月 11 日
558 次瀏覽
廣告