神经网络
From Ufldl
(→神经网络模型) |
(→神经网络模型) |
||
| Line 73: | Line 73: | ||
a^{(l+1)} &= f(z^{(l+1)}) | a^{(l+1)} &= f(z^{(l+1)}) | ||
\end{align}</math> | \end{align}</math> | ||
| + | |||
将参数矩阵化，使用矩阵－向量运算方式，我们就可以利用线性代数的优势对神经网络进行快速求解。 | 将参数矩阵化，使用矩阵－向量运算方式，我们就可以利用线性代数的优势对神经网络进行快速求解。 | ||
| - | 目前为止，我们讨论了一种神经网络，我们也可以构建另一种'''结构''' | + | 目前为止，我们讨论了一种神经网络，我们也可以构建另一种'''结构'''的神经网络（这里结构指的是神经元之间的联接模式），也就是包含多个隐藏层的神经网络。最常见的一个例子是 <math>\textstyle n_l</math> 层的神经网络，第 <math>\textstyle 1</math> 层是输入层，第 <math>\textstyle n_l</math> 层是输出层，中间的每个层 <math>\textstyle l</math> 与层 <math>\textstyle l+1</math> 紧密相联。这种模式下，要计算神经网络的输出结果，我们可以按照之前描述的等式，按部就班，进行正向传播，逐一计算第 <math>\textstyle L_2</math> 层的所有激活值，然后是第 <math>\textstyle L_3</math> 层的激活值，以此类推，直到第 <math>\textstyle L_{n_l}</math> 层。这是一个'''前馈'''神经网络的例子，因为这种联接图没有闭环或回路。 |
