标签：...   分类   优点   梯度   速度   dead   near   soft   connected   

面向全连接网络：Full Connected Forward Network

基础神经元（neural、cell、unit）

神经元是构成神经网络的基础单元

一个独立的神经元的组成 {n，w_i，b，h}

输入：n维向量X

线性加权：z=w₀*b + w₁*x₁ + w₂*x₂ + ...  +w_n*x_n  （b为偏置）

激活函数：a=h(z) ,要求非线性并且容易求导数

输出标量：a

激活函数

1、sigmoid函数（曾经是常用的激活函数，但是现在一般用在输出层，中间层很少使用）

h(z)=1/(1+e^-z)

缺点：1、两头过于平坦，造成梯度消失问题

　　　2、输出值域不对称

2、tanh函数（曾经是常用的激活函数，中间层使用较少，比sigmoid函数效果好）

缺点：两头依旧过于平坦，容易造成梯度消失

优点：值域关于x=0对称，就是输有正有负，sigmoid输出全为正数，效果不好

3、Rectified Linear Unit(RELU)（是目前使用最广泛的激活函数，特别是卷积网络）

特点：1、不存在saturate（饱和）区域

　　　2、收敛速度比sigmoid/tanh函数快

　　　3、计算简单高效

　　　4、存在Dead Area，权重不更新，leaky RELU不存在dead area

从神经元到网络

把相同结构的单元组合在一起，构成神经网络的层：

输入层：输入向量

中间层：隐含层

输出层：输出向量，用于预测、分类、回归等

每一个隐含层都是向量输入，向量输出

同层的单元输入向量相同，来自前一层

同层的单元输出构成该层的输出向量

输出层不一定要有激活函数，可以soft用softmax分类等

神经网络

标签：...   分类   优点   梯度   速度   dead   near   soft   connected   

原文地址：http://www.cnblogs.com/crazybird123/p/6880778.html