感知器¶
1 深度学习概念¶
- 神经网络:机器学习这个方法里,有一类算法叫神经网络。
每个圆圈都是一个神经元,每条线表示神经元之间的连接。我们可以看到,上面的神经元被分成了多层,层与层之间的神经元有连接,而层内之间的神经元没有连接。最左边的层叫做输入层,这层负责接收输入数据;最右边的层叫输出层,我们可以从这层获取神经网络输出数据。输入层和输出层之间的层叫做隐藏层。
-
深度学习:当隐藏层比较多(大于2)的神经网络叫做深度神经网络。而深度学习,就是使用深层架构(比如,深度神经网络)的机器学习方法。
-
深度神经网络的优点:
深层网络能够表达力更强。事实上,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。而深层网络用少得多的神经元就能拟合同样的函数。
- 深度神经网络劣势:
深层网络也有劣势,就是它不太容易训练。简单的说,你需要大量的数据,很多的技巧才能训练好一个深层网络。
2 感知器¶
2.1 感知器的定义¶
- 神经网络的组成单元——神经元。神经元也叫做感知器。
-
感知器组成
-
输入权值:一个感知器可以接收多个输入, 每个输入上有一个权值,此外还有一个偏置项
-
激活函数:可以选用阶跃函数
-
输出:
2.2 感知器还能做什么¶
- 感知器不仅仅能实现简单的布尔运算。它可以拟合任何的线性函数,任何线性分类或线性回归问题都可以用感知器来解决。
- 然而,感知器却不能实现异或运算,如下图所示,异或运算不是线性的,你无法用一条直线把分类0和分类1分开。
2.3 感知器的训练¶
- 修改和的方法、
每处理一个样本就调整一次权重。经过多轮迭代后(即全部的训练数据被反复处理多轮),就可以训练出感知器的权重,使之实现目标函数。其中称为学习速率