1⃣.感知机一般包含的元素
- 输入
要求输入的是实值 - 仿射&线性
放射函数满足f(ax+by)=af(x)+bf(y),这就意味着仿射函数一定穿过原点但是线性函数就不一定穿过原点 - 偏置
- 类似一个阈值来激活感知机
- 偏置也可以视为一个权重只不过对应的输入元素视为1
- 激活函数
激活函数并非一定要是阈值函数。激活函数包括阶跃函数、sigmoid、tanh、Relu等
2⃣前馈神经网络
重点是没有循环在信号传播的过程中永远不会返回前面一个信号。这就相当于所有的计算都是单向的非循环的。当然循环神经网络也是非常重要的
3⃣有了神经网络如何使得神经网络能够按照特定的规则进行执行
学习神经网络的过程就是决定参数值的过程这个过程实际上就是使得神经网络能够输出我们想要的函数。前提是我们的这个神经网络有能力构建我们的目标函数。
0) 训练神经网络的结果可能得到的函数不是唯一的如何衡量所得到的函数好坏就需要指定一定的度量方式
1在实际中衡量预测值与真实值之间的差距并非只有一种度量方式重要的是多次之间的差异不能存在抵消的情况
2神经网络在逼近函数的过程中我们提供的数据不能是函数中每一个点的值这就意味着我们的训练样本实际上一个抽样的样本
3 样本训练过程中要求一个x只能对应一个唯一的输出值
4⃣多层感知机
感知机实际上就是寻找到一个超平面将正负样本进行分开其中权重与超平面是一个正交的关系在更新权重的过程中采取的策略就是权重方向指向正样本远离负样本。
在整个更新权重的过程中修正权重W的次数是有限的不会超过(R/γ)^2,其中R是最远的那个训练样本的距离γ是训练样本与超平面最近的距离.