标签：问题 inf unit 技术 学习过程 splay 神经元 总结 spl
????多层感知机在单层神经?络的基础上引?了?到多个隐藏层（hidden layer）。隐藏层位于输?层和输出层之间。下图展示了?个多层感知机的神经?络图，它含有?个隐藏层，该层中有5个隐藏单元。
????上述问题的根源在于全连接层只是对数据做仿射变换（affine transformation），?多个仿射变换的叠加仍然是?个仿射变换。解决?法——引??线性变换，即通过激活函数（activation function）实现非线性变换。关于激活函数，可以看我的另一篇博客激活函数总结,本书中列举的三个激活函数是：ReLU函数、sigmoid函数、tanh函数。
????多层感知机是指——由全连接组成的神经网络，至少含有一个隐藏层，并且，每个隐藏层的输出均通过激活函数进行变换。多层感知机的层数和各隐藏层中隐藏单元个数都是超参数（超参数是在开始学习过程之前设置值的参数，而不是通过训练得到的参数数据——百度百科）。以单隐藏层为例并沿?本节之前
定义的符号（见下面引用内容），多层感知机按以下?式计算输出：
给定?个?批量样本\(X \in R^{n \times d}\) ，其批量??为\(n\) ，输?个数为\(d\)。假设多层感知机只有?个隐藏层，其中隐藏单元个数为 。记隐藏层的输出（也称为隐藏层变量或隐藏变量）为\(H\)，有\(H \in R^{n \times h}\)。因为隐藏层和输出层均是全连接层，可以设隐藏层的权重参数和偏差参数分别为\(W_h \in R^{d \times h}\)和\(b_h \in R^{1 \times h}\)，输出层的权重和偏差参数分别为\(W_o \in R^{h \times q}\)和\(b_o \in R^{1 \times q}\)。
\[
H = \phi \left( XW_h + b_h \right) \O = HW_o + b_o
\]
????其中\(\phi\)表示激活函数。在分类问题中，我们可以对输出\(O\)做softmax运算，并使?softmax回归中的交叉熵损失函数。 在回归问题中，我们将输出层的输出个数设为1，并将输出\(O\)直接提供给线性回归中使?
的平?损失函数。
小结
标签：问题 inf unit 技术 学习过程 splay 神经元 总结 spl
原文地址：https://www.cnblogs.com/somedayLi/p/12313804.html
