ANN笔记

标签：

隐藏单元：节点的输出在网络内部

输出单元：节点的输出是整个网络的输出（PS：输出单元一般有多个，最终系统采取的决策是所有输出单元中最“合理”的）

输入单元：节点的输入是整个网络的输入，节点的输出是隐藏单元的输入（带权重）

感知器

感知器的训练法则：

感知器法则（线性可分）：w_i=w_i+?(t-o)x_i；注意此处的o取值空间是{0,1}，这就是它不同于下面要提到的随机梯度对应delta法则部分

delta法则（梯度下降，非线性可分）：训练的是一个线性单元而不是感知器(感知器的输出是{0,1})，线性单元的输出为：

误差函数和根据梯度下降法得到权重学习方法如下：

随机梯度的误差函数和权重学习方法如下：

随机梯度的训练法则（权重更新公式）被称为增量法则（delta法则）或LMS法则（least-mean-square,最小均方）

随机梯度的权重更新公式恰好和感知器法则的相同，只是o的取值不一样，一个是wx，一个是sgn(wx)

简单的神经网络图

图说明：

1、这个神经网络包含两层sigmoid单元（图中的圆圈都是sigmoid单元）

2、图中每个单元旁边都有一个额外的输入，即阈值

3、每一条边都有一个权重w_ij(图中没有表示)

4、隐藏层的每个单元的输出的值域是(0,1)，而隐藏层的输出是输出层的输入。所以输出层的每个单元的输入和输出的值域都是(0,1)

所谓反向传播是指，先计算输出单元的误差，然后再用输出单元的误差计算隐藏单元的误差，最后根据这两个误差分别更新相应的权重。

ANN笔记

标签：

原文地址：http://www.cnblogs.com/xiangzhi/p/4735205.html