Python深度學習神經(jīng)網(wǎng)絡基本原理

更新時間：2021年10月20日 15:27:22 作者：GSAU-深藍工作室

人工神經(jīng)網(wǎng)絡（Artificial Neural Networks，簡寫為ANNs）也簡稱為神經(jīng)網(wǎng)絡（NNs）或稱作連接模型（Connection Model），它是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處理的算法數(shù)學模型

神經(jīng)網(wǎng)絡

梯度下降法

在詳細了解梯度下降的算法之前，我們先看看相關的一些概念。

　　　　1. 步長（Learning rate）：步長決定了在梯度下降迭代的過程中，每一步沿梯度負方向前進的長度。用上面下山的例子，步長就是在當前這一步所在位置沿著最陡峭最易下山的位置走的那一步的長度。

　　　　2.特征（feature）：指的是樣本中輸入部分，比如2個單特征的樣本（x(0),y(0)）,（x(1),y(1)）（x(0),y(0)）,（x(1),y(1)）,則第一個樣本特征為x(0)x(0)，第一個樣本輸出為y(0)y(0)。

　　　　3. 假設函數(shù)（hypothesis function）：在監(jiān)督學習中，為了擬合輸入樣本，而使用的假設函數(shù)，記為hθ(x)hθ(x)。比如對于單個特征的m個樣本（x(i),y(i)）(i=1,2,...m)（x(i),y(i)）(i=1,2,...m),可以采用擬合函數(shù)如下： hθ(x)=θ0+θ1xhθ(x)=θ0+θ1x。

　　　　4. 損失函數(shù)（loss function）：為了評估模型擬合的好壞，通常用損失函數(shù)來度量擬合的程度。損失函數(shù)極小化，意味著擬合程度最好，對應的模型參數(shù)即為最優(yōu)參數(shù)。在線性回歸中，損失函數(shù)通常為樣本輸出和假設函數(shù)的差取平方。比如對于m個樣本（xi,yi）(i=1,2,...m)（xi,yi）(i=1,2,...m),采用線性回歸，損失函數(shù)為：

J(θ0,θ1)=∑i=1m(hθ(xi)−yi)2J(θ0,θ1)=∑i=1m(hθ(xi)−yi)2

其中xixi表示第i個樣本特征，yiyi表示第i個樣本對應的輸出，hθ(xi)hθ(xi)為假設函數(shù)。