0. 引言1. 感知器及激活函数2. 代价函数(loss function)3. 用梯度下降法来学习-Learning with gradient descent4. 用反向传播调整神经网络中逐层所有神经元的超参数5. 过拟合问题6. IMPLEMENTING A NEURAL NETWORK FROM SCRATCH IN PYTHON – AN INTRODUCTION
0. 引言
0x1: 神经网络的分层神经元意味着什么
为了解释这个问题，我们先从一个我们熟悉的场景开始说起，电子电路的设计
如上图所示，在实践中，在解决线路设计问题(或者大多数其他算法问题)时，我们通常先考虑如何解决子问题，然后逐步地集成这些子问题的解。换句话说，我们通过多层的抽象来获得最终的解答，回到上图的电路，我们可以看到，不论多么复杂的电路功能，在最底层的底层，都是由最简单的"与、或、非"门通过一定的逻辑关系组成
这就很自然地让我么联想到深度神经网络的一张脍炙人口的架构图
深度神经网络中间的隐层可以理解为是一种逐层抽象封装的思想，这么说可能并没有严格的理论依据，但是却十分符合我自己直觉上的理解，例如，如果我们在进行视觉模式识别
1. 第一层的神经元可能学会识别边2.
延伸阅读
- ssh框架
2016-09-30
- 阿里移动安全 [无线安全]玩转无线电——不安全的蓝牙锁
2017-07-26
- 消息队列NetMQ 原理分析4-Socket、Session、Option和Pipe
2024-03-26
- Selective Search for Object Recognition 论文笔记【图片目标分割】
2017-07-26
- 词向量-LRWE模型-更好地识别反义词同义词
2017-07-26
- 从栈不平衡问题 理解 calling convention
2017-07-26
- php imagemagick 处理 图片剪切、压缩、合并、插入文本、背景色透明
2017-07-26
- Swift实现JSON转Model - HandyJSON使用讲解
2017-07-26
- 阿里移动安全 Android端恶意锁屏勒索应用分析
2017-07-26
- 集合结合数据结构来看看(二)
2017-07-26
学习是年轻人改变自己的最好方式