上一篇內容主要介紹了傳統機器學習的一些侷限性以及深度神經網絡的一些優勢。這一篇內容就來好好了解一下這簡單而又不簡單的神經網絡。
隨著神經科學、認知科學的發展,我們都知道人類的智能行為都是和大腦密不可分的。人類的大腦皮質包含大約140-160億神經元,小腦中包含大約550-700億神經元, 每一個神經元都通過突觸和其他數千個神經元相連接。受到人腦神經系統的啟發,早期的神經科學家構造了一種模仿人腦神經系統的數學模型,稱為人工神經網絡,簡稱神經網絡。在機器學習領域,神經網絡是指由很多人工神經元構成的網絡結構的模型,這些人工神經元之間的連接強度即是模型要學習的參數。
神經元
神經元是神經網絡進行信息處理的基本單位,是組成人工神經網絡的基本單位。一個生物學上的神經元可以接收到信息,當輸入信號累積到一定的閾值時,神經元就會變為興奮狀態,產生脈衝信號。同生物學上的神經元類似,神經網絡的神經元同樣可以接受輸入信號併產出輸出。
1943年,心理學家沃倫·麥卡洛克和數學家沃爾特·皮茨基於數學和一種稱為閾值邏輯的算法創造了一種神經網絡的計算模型。
一個基本的神經元包括3個基本組成部分:輸入信號、線性組合和非線性激活函數。其結構如下圖所示:
通過一系列的輸入信號,對這一系列輸入信號賦予不同的權值,之後進行加和的操作,並通過激活函數進行激活,結合一定的偏置,即可得到最終的神經元輸出。
今天簡單介紹了機器學習中神經網絡的基本組成單位神經元的結構,這個簡單的結構雖然只具有上述的幾個參數,但是通過對神經元進行不同方式的組合、變換會組成的深度神經網絡,它可以包含上億參數,可以擁有強大的推理、預測能力。後續我們會更深入地去了解它。
碼字不易,歡迎點贊、收藏+關注哦~
By AINotesClub.
轉載請超鏈接註明:頭條資訊 » 機器學習中簡單而又不簡單的神經元
免責聲明 :非本網註明原創的信息,皆為程序自動獲取互聯網,目的在於傳遞更多信息,並不代表本網贊同其觀點和對其真實性負責;如此頁面有侵犯到您的權益,請給站長發送郵件,並提供相關證明(版權證明、身份證正反面、侵權鏈接),站長將在收到郵件24小時內刪除。