稀疏自动编码之神经网络

标签：style   http   color   io   ar   for   strong   sp   问题   

考虑一个监督学习问题，现在有一些带标签的训练样本(x⁽ⁱ⁾,y⁽ⁱ⁾).神经网络就是定义一个复杂且非线性的假设h_W,b(x)，其中W,b 是需要拟合的参数.

下面是一个最简单的神经网络结构，只含有一个神经元，后面就用下图的形式代表一个神经元：

把神经元看作是一个计算单元，左边的x₁,x₂,x₃ (和 截距+1 )作为计算单元的输入，输出为：，其中，函数被称为激活函数，在这里我们的激活函数是sigmoid函数：

还有一种激活函数是正切函数（tanh function）:

下面是两种激活函数图像：

 tanh(z)函数式sigmoid函数的变体，它的输出范围是[−1,1]，而不是[ 0,1].

注意一个对后后面推导有用的等式：

对于sigmoid函数f(z) = 1 / (1 + exp( − z))，它的导函数为f‘(z) = f(z)(1 − f(z)).

神经网络模型

神经网络就是把许多神经元连接到一起，使得一个神经元的输出作为另一个神经元的输入。下面是一个小规模的神经网络：

图中同样用圆圈表示神经网络的输入（蓝色的圆圈表示整个网络的输入，红色圆圈表示神经元），截距项为+1，但是这里称为偏置节点。网络的最左边的一层叫做输入层，最右边的一层叫做输出层（输出层可以有很多神经元节点，这个例子只有一个节点）。中间的一层称为隐层，因为它们的值在训练集中观察不到。可以说图中神经网络有3个输入节点（不包括偏置节点），3个隐层节点，1个输出节点。

用 n_l  表示网络的层数，因此例子中 n_l  = 3，用 L_l 代表 l 层，所以 L₁ 就是输入层，  就是输出层。网络参数(W,b) = (W⁽¹⁾,b⁽¹⁾,W⁽²⁾,b⁽²⁾)， 表示 l 层的节点 j 与 l+1 层的节点 i 之间的连接权重，  表示与 l+1 层的节点 i 连接的偏置，因此，在这个例子中 ，. 注意偏置节点是没有输入的，因为偏置节点输出总为+1. 用 s_l  表示 l 层的节点数（不计偏置节点）。

用   表示 l 层的节点 i 的激活值（即输出值）。当 l = 1 时，用   表示第 i 个输入。给定参数 W,b, 神经网络的假设模型 h_W,b(x) 输出一个实数。计算过程如下：

接着用  表示 l 层的节点 i 的输入加权和（包括偏置节点），如：

，所以 .

于是上面计算过程的表示就可以更简洁地写为：

称这个过程为前向传播（forward propagation）.

更为一般的是，用 a⁽¹⁾ = x 表示输入层的值，于是 l 层的激活值就是 a^(l) ，计算  l + 1 层的激活值 a^{(l + 1)} ：

把所有参数矩阵化，用矩阵—向量操作，可以利用线性代数的优势快速求解网络参数。

到目前为止，我们只关注了一个神经网络的例子，但是神经网络还有许多其它的结构（神经元之间的连接类型），包括多个隐层的神经网络。最常见的方式是，对于一个 n_l  层的神经网络，第1层代表输入层，n_l  层代表输出层，中间的每个 l 层与 l+1 层紧密相连。设置好以后，就可以像上述的前向反馈一样，逐层计算激活值，这就是一种前馈神经网络（feedforward neural network），因为连接中没有回路或者闭环。

神经网络可以有多个输出节点。这里给出一个含有2个隐层和2个输出节点的网络：

训练这个网络需要训练样本 (x⁽ⁱ⁾,y⁽ⁱ⁾) ，. 当你需要预测多个值得时候，这种网络会很有用。例如，在医疗诊断应用中，向量 x 给出一个病人的特征，不同的输出 y_i 可能分别表示不同种类的疾病是否存在。

学习来源：http://deeplearning.stanford.edu/wiki/index.php/Neural_Networks

稀疏自动编码之神经网络

标签：style   http   color   io   ar   for   strong   sp   问题   

原文地址：http://www.cnblogs.com/90zeng/p/neural_network.html