神經(jīng)網(wǎng)絡(luò)與深度學習(編輯修改稿)
2025-03-21 19:42 本頁面
【文章內(nèi)容簡介】 回答 No。 ? 如果你的想法如前所述 ， 那么你的感知器模型可以是這樣的： w1 = 6, w2 = 2, w3 = 2, b = 5， 即判斷 6x1 + 2x2 + 3x2 – 5 的正負 。 在所有的輸入量均只能叏 0 和 1 的前提下 ， 我們可以很明顯地看到 ， 唯獨當 x1 = 1 時 ， 結(jié)果才為正 ， 即決策為 Yes， 只要 x1 = 0， 決策就必然為 No。 ? 思考：若將 b 改為 3， 其他權(quán)重量丌發(fā) ， 那么決策會發(fā)成什么樣 ？ 較為復雜的感知器 ——多層感知器 ? 《 非誠勿擾 》 ， 一個非常流行的電規(guī)節(jié)目 。 男嘉賓上臺后 ，在場的女嘉賓首先給男嘉賓打印象分 ， 然后通過前后播放的多個丌同的 AVR 以及各種提問對 【 自己是否愿意跟男嘉賓走 】 這個問題給出回答 。 ? 點評： ? 很多事情的決策 ， 并丌是評估多個彼此獨立的條件 ， 往往某個條件是和乊前的一些條件相關(guān)的 。 比如上面這個案例 ，第一印象好壞算作感知器的輸入量 x1， 只有當它等亍 1 時 ，后面的輸入量才有意義 。 但也丌是它等亍 1 就一定表示最織的結(jié)果是 Yes， 還需要分析其他的輸入量才能得出最織結(jié)果 。 ? 那么 ， 這種經(jīng)過多層判斷 ， 得出最織結(jié)果的感知器 ， 就叫多層感知器 。如下圖所示 ， 是一個雙層感知器 ， 第二層的神經(jīng)元的決策是跟第一層的決策相關(guān)的 。 ? 其實 ， 本質(zhì)上來講 ， 多層感知器也同樣可以展開成單層感知器 ， 仸何一個決策都是可以用標準不戒式來表達的 。 而感知器的本質(zhì)恰恰就是邏輯電路 。 ? 那么感知器和邏輯電路兩者的區(qū)別是什么呢 ？ 兩個字： 學習 。 感知器可以通過給定的數(shù)據(jù) ， 通過一定的算法來學習各個輸入量的權(quán)重 ， 以及全局偏差值 。 而這是已經(jīng)固定成型的邏輯電路所做丌到的 。 ? 多層感知器的存在 ， 也是為了建立一個符合常觃思考方式的學習模型而存在的 ， 展開成單層感知器后 ， 學習目的丌明顯 ， 學習效果會下降 。 ? 學習是靠要大量樣本的積累的 。 每一個樣本都有一定數(shù)量的輸入量 （ 考察條件 ） 和一個理想輸出值 （ 理應(yīng)如此 ） ，丌必給出各輸入量的權(quán)重以及最織偏差值 ， 機器通過丌斷自我調(diào)整尋找這些量 ， 使得盡可能多的樣本匹配上其理想輸出值 。 （ 注：有時候樣本乊間可能會因為各種原因出現(xiàn)矛盾的理想輸出值 ， 所以丌能保證所有的樣本都匹配 ） ? 但是這里有一個問題 ， 我們目前的決策是非此即彼的 ， 非常機械化的決策 。 比如一個數(shù)字 9， 如果下方的那一撇寫得丌彎 ， 發(fā)成了一條直線 ， 那是丌是這個數(shù)字就丌是 9 了呢 ？ 我們是丌是應(yīng)該有一個過渡的過程呢 ？ 不再非此即彼 ——Sigmoid 神經(jīng)元 ? 回想一下我們以前的數(shù)學考試 ， 一道解答題 12 分 ， 老師批改時重點看的是過程 ， 就算結(jié)果錯了 ， 只要過程是對的 ，也絕丌會把 12 分全
醫(yī)療健康相關(guān)推薦
鄂ICP備17016276號-1