什麼是機器學習中的神經網路？

神經網路可以理解為一個隱藏層、輸入層和輸出層網路，試圖模擬人腦的工作方式。

隱藏層可以被視為輸入資料本身的抽象表示。這些層幫助神經網路藉助其自身的內部邏輯理解資料的各種特徵。

這些神經網路是非可解釋模型。非可解釋模型是指即使觀察隱藏層也無法解釋或理解的模型。這是因為神經網路具有獨立執行的內部邏輯，我們無法理解。

我們只能將其視為數值向量的集合。由於神經網路的輸出是一個數值向量，因此我們需要一個明確的輸出層來彌合實際資料與網路對資料的表示之間的差距。

輸出層可以理解為一個翻譯器，它幫助我們理解網路的邏輯並轉換目標值。

一個名為“通用逼近定理”的定理指出，包含一個隱藏層的向前饋網路可以用來表示任何函式。

這意味著包含一個隱藏層的神經網路的功能沒有限制。但在現實生活中，一個隱藏層的神經網路無法很好地使用。

神經網路是一種幫助處理資訊的數學模型。它不是一組程式碼行，而是一個模型或系統，它幫助處理輸入/資訊並給出結果。

資訊以最簡單的形式在稱為“神經元”的基本元素上進行處理。神經元相互連線，並藉助連線鏈在它們之間交換訊號/資訊。

神經元之間的這些連線鏈可以是強連線或弱連線，連線鏈的強度決定了資訊處理的方式。

每個神經元都有一個內部狀態，該狀態可以由來自其他神經元的傳入連線確定。

每個神經元都有一個啟用函式，該函式在其狀態上計算，這有助於確定其輸出訊號。

神經網路可以理解為數學運算的計算圖。

神經網路的兩個主要特徵：

  • 架構
  • 學習

架構

它描述了連線型別：是前饋、遞迴、多層、卷積還是單層。它還描述了層數以及每一層中的神經元數量。

學習

它描述了神經網路的訓練方法。訓練神經網路的一種常見方法是使用梯度下降和反向傳播。

更新於： 2020年12月10日

7K+ 瀏覽量

開啟你的職業生涯

透過完成課程獲得認證

開始學習
廣告